{"id":19903,"date":"2021-10-01T10:58:24","date_gmt":"2021-10-01T08:58:24","guid":{"rendered":"https:\/\/aitia.fr\/erd\/?p=19903"},"modified":"2021-10-01T10:58:24","modified_gmt":"2021-10-01T08:58:24","slug":"correlation-causalite-vaccination","status":"publish","type":"post","link":"https:\/\/aitia.fr\/erd\/correlation-causalite-vaccination\/","title":{"rendered":"Corr\u00e9lation, causalit\u00e9, vaccination"},"content":{"rendered":"

\"\"<\/a>En sciences, recherche de corr\u00e9lation et recherche de causalit\u00e9 entre deux ph\u00e9nom\u00e8nes sont tr\u00e8s li\u00e9es. Ce qui ne<\/strong> signifie pas<\/strong> qu’une corr\u00e9lation implique une causalit\u00e9 : par exemple, il y a probablement une corr\u00e9lation entre la consommation de glaces \u00e0 la vanille et l’apparition de coups de soleil. Cela ne signifie pas que consommer de la glace \u00e0 la vanille provoque des coups de soleil (ni m\u00eame qu’avoir un coup de soleil incite \u00e0 consommer de la glace \u00e0 la vanille).<\/p>\n

Mais lorsqu’on cherche \u00e0 trouver des relations de causalit\u00e9, entre des ph\u00e9nom\u00e8nes dont on ne comprend pas le “fonctionnement”, on commence par v\u00e9rifier s’il existe entre eux des corr\u00e9lations. Car m\u00eame si la corr\u00e9lation ne prouve pas la causalit\u00e9, en revanche, l’absence<\/em> de corr\u00e9lation implique l’absence de causalit\u00e9. En logique, on dit que la proposition “A implique B” est \u00e9quivalente \u00e0 “(non B) implique (non A)” et on parle de formules ou propositions contrapos\u00e9es<\/em><\/a>. Pr\u00e9cisons pour les non-initi\u00e9s : “A implique B” signifie que si A est vrai, alors B est n\u00e9cessairement vrai. Par contre si A est faux, B peut \u00eatre vrai ou faux : on ne peut rien dire de B. Par contre si B est faux (donc non vrai !) alors A ne peut pas \u00eatre vrai ; A est n\u00e9cessairement<\/em> “non vrai” c’est-\u00e0-dire faux, puisque s’il \u00e9tait vrai B devrait \u00eatre vrai \u00e9galement.<\/p>\n

Le test de corr\u00e9lation, m\u00eame s’il est bien souvent, intuitivement, utilis\u00e9 de fa\u00e7on positive pour “v\u00e9rifier” des relations de causalit\u00e9, ne peut donc en toute rigueur que d\u00e9montrer des non-causalit\u00e9s<\/strong> en \u00e9liminant des relations de causalit\u00e9 et non en les prouvant. M\u00eame si, sur de tr\u00e8s grands nombres, une corr\u00e9lation quasi-parfaite rend statistiquement tr\u00e8s improbable (au besoin via des variables interm\u00e9diaires non prises en compte) une absence de causalit\u00e9, mais cette “preuve”-l\u00e0 n’est que statistique et pas strictement logique.<\/p>\n

Par contre, si un m\u00e9decin vous prescrit un m\u00e9dicament pour soigner une maladie et que ce m\u00e9dicament ne fonctionne jamais, on peut \u00eatre certain (chez vous au moins, la m\u00e9decine n’\u00e9tant pas une science aussi universelle que la physique) que ce m\u00e9dicament ne fonctionne pas : c’est le sens de la d\u00e9monstration par “(non B) implique (non A)”.<\/p>\n

En mati\u00e8re de vaccination anti-COVID, nous avons maintenant la chance d’avoir des donn\u00e9es \u00e0 moudre : d’apr\u00e8s Our World in Data<\/a><\/em> qui r\u00e9colte des donn\u00e9es publiques partout dans le monde, d\u00e9j\u00e0 3,56 milliards d’humains (au 29 septembre 2021) ont re\u00e7u au moins une dose de “vaccin anti-COVID” (toutes technologies confondues), et 2,64 milliards sont enti\u00e8rement vaccin\u00e9s. Puisque la vaccination est pr\u00e9sent\u00e9e comme le rem\u00e8de miracle \u00e0 la pand\u00e9mie (voire le seul<\/a>), il est int\u00e9ressant de voir l’impact de cette vaccination sur les d\u00e9c\u00e8s hebdomadaires attribu\u00e9s \u00e0 la COVID-19.<\/p>\n

<\/p>\n

La courte vid\u00e9o (2 min) ci-dessous retrace l’\u00e9volution de ces d\u00e9c\u00e8s hebdomadaires pour une s\u00e9lection de pays (42 au total, par ordre alphab\u00e9tique en anglais, sauf Cura\u00e7ao qui se trouve entre le N\u00e9pal et le Paraguay…) totalisant au 29 septembre 1,161 milliard de primo-vaccin\u00e9s, soit 32,6 % du total mondial. Certaines courbes sont statistiquement bien plus significatives que d’autres, car parmi les pays se trouvent des tr\u00e8s gros (Inde, Br\u00e9sil…) et des tr\u00e8s petits (Cura\u00e7ao, Djibouti, Grenade…). Pour le cas de l’Inde, on se reportera aux excellents articles du Dr G\u00e9rard Maudrux (par exemple celui-ci<\/a>) pour comprendre la r\u00e9gression spectaculaire de l’\u00e9pid\u00e9mie.<\/p>\n

Un graphique repr\u00e9sentant le nombre de personnes vaccin\u00e9es dans ces pays \u00e0 la date du 29 septembre est propos\u00e9 sous la vid\u00e9o (remarque : Burma<\/em> dans la vid\u00e9o d\u00e9signe la Birmanie, appel\u00e9e aussi Myanmar<\/em> en anglais comme en fran\u00e7ais) afin de mieux appr\u00e9cier ces diff\u00e9rences (cliquer sur l’image pour obtenir une version plus lisible). La France et la plupart des pays europ\u00e9ens, ainsi que les \u00c9tats-unis, n’y figurent pas, mais chacun pourra compl\u00e9ter ces lacunes \u00e0 partir des donn\u00e9es fournies par Our World in Data<\/em> (voir ici pour l’\u00e9volution temporelle du nombre de personnes ayant re\u00e7u une dose<\/a>, par exemple). Les courbes de la vid\u00e9o sont pr\u00e9sent\u00e9es en deux couleurs : bleu avant le d\u00e9but de la vaccination, rouge ensuite.<\/p>\n