Structure de causalité bivariée La question de recherche porte essentiellement sur deux variables La variable X a-t-elle un effet sur la variable Y ? X est la cause présumée (variable indépendante) Y est la conséquence attendue (variable dépendante) Cette structure est le prototype même de la recherche expérimentale par la simplicité de la question posée Si d’autres variables sont présentes, elles ne sont là que comme « contrôles »

Cas classique à deux groupes La cause X est souvent une variable discrète à deux niveaux (p. ex. présence ou absence d’un traitement expérimental) La conséquence Y est le plus souvent une variable continue mesurée sur une échelle d’intervalles ou de proportions L’assignation au hasard ou l’appariement des deux groupes sur certaines variables permet de contrôler tous les autres facteurs Toutes autres choses étant égales, si X est une cause de Y, le niveau de Y devrait différer entre les deux groupes Ce format le plus simple appelle un test t

Graphique de la structure de causalité bivariée (test t) X Y

Cas classique à trois groupes ou plus La cause X peut être une variable discrète à trois niveaux ou plus (p. ex. traitement A, B ou C) La conséquence Y est encore une variable continue L’assignation au hasard ou l’appariement des deux groupes sur certaines variables est maintenu Toutes autres choses étant égales, si X est une cause de Y, le niveau de Y devrait différer entre les groupes Ce format à trois groupes ou plus appelle une analyse de variance unifactorielle

Graphique de la structure de causalité bivariée (analyse de variance unifactorielle) X Y

Cas classique où la cause présumée (variable indépendante) est continue La cause X est une variable continue (p. ex. la motivation du participant) La conséquence Y est aussi une variable continue (p. ex. le rendement dans une tâche) L’assignation au hasard ou l’appariement des groupes n’est pas possible puisqu’il n’y a pas de groupes comme tels Toutes autres choses étant égales, si X est une cause de Y, le niveau de Y devrait varier en fonction du niveau de X Ce format appelle une analyse de régression simple

Graphique de la structure de causalité bivariée (régression simple) Y X

Structure de causalité convergente La question de recherche vise à expliquer une même conséquence à l’aide de plusieurs causes présumées Les variables X1, X2 et X3 ont-elles un effet sur la variable Y ? Les causes présumées X1, X2 et X3 convergent pour expliquer Y Les causes présumées sont en principe indépendantes les unes des autres: chacune ajoute quelque chose aux contributions des autres (absence de multi-colinéarité) Le modèle est additif: l’effet des variables X1, X2 et X3 ne découle pas de leur présence combinée, mais bien de leur contribution individuelle

Cas classique où la variable à expliquer est continue La variable à expliquer (à prédire) est souvent mesurée de façon continue (p. ex. le niveau de rendement dans une tâche) Les causes présumées sont souvent mesurées de façon continue, mais elles peuvent aussi être discrètes Ce format est très fréquent en psychologie surtout lorsqu’il est impossible de manipuler les causes ou d’assigner les participants à des groupes de façon aléatoire Toutes autres choses étant égales, si X1, X2 et X3 sont des causes de Y, le niveau de Y devrait varier en fonction des poids de ces variables Ce format appelle une analyse de régression multiple

Graphique de la structure de causalité convergente (régression multiple) X1 Y X2 X3

Cas moins fréquent où la variable à expliquer est discrète À l’occasion, la variable à expliquer ou à prédire peut être mesurée de façon discrète (p. ex. réussir ou non dans une tâche) La question revient alors à expliquer ou à prédire l’appartenance à un groupe Ce format appelle une analyse de régression logistique

Graphique de la structure de causalité convergente (régression logistique) X1 Y X2 X3

Structure de causalité factice ou de causalité indirecte La question de recherche vise à expliquer ou à mieux comprendre la relation entre deux phénomènes Pourquoi la variable X influence-t-elle la variable Y ? En d’autres termes, y a-t-il vraiment un effet direct de X sur Y ? Pour répondre à ces questions, le chercheur introduit une 3e variable dont il veut tenir compte

Le cas de la causalité factice Ce qui se présente comme une influence directe de X sur Y est peut-être une relation artificielle ou factice Le chercheur soupçonne que la clé de l’énigme est une 3e variable Z qui agit directement sur X et directement sur Y En d’autres termes, si on contrôlait Z, la relation apparente entre X et Y disparaîtrait-elle? Si oui, alors l’effet de X sur Y était factice («spurious») Ce modèle appelle le calcul de la corrélation partielle entre X et Y en contrôlant pour Z

Graphique de la structure de causalité factice (corrélation partielle) ? X Y Z

Le cas de la causalité indirecte Ce qui se présente comme une influence directe de X sur Y passe peut-être par un autre chemin Le chercheur soupçonne que la relation met en cause une 3e variable Z qui agit comme variable médiatrice entre X et Y En d’autres termes, si on contrôlait Z on pourrait provoquer une diminution importante de l’effet de X sur Y. Si c’est le cas, alors l’effet de X sur Y était indirect Ce modèle appelle lui aussi le calcul de la corrélation partielle entre X et Y en contrôlant pour Z

Graphique de la structure de causalité indirecte (corrélation partielle) ? X Y Z

Le cas des modèles plus complexes Il est possible de vouloir éclairer la relation entre X et Y en contrôlant pour plusieurs variables Il se pourrait qu’une 3e variable Z agisse comme variable médiatrice, alors qu’une 4e variable W viendrait mettre en évidence l’aspect factice de l’influence de X sur Y En présence d’un modèle complexe de ce type, le chercheur choisira une analyse acheminatoire

Graphique de la structure d’un modèle causal plus complexe (analyse acheminatoire) ? X Y W Z