Skip to content
Retour aux résultats

Recherche causale-comparative — Plan de comparaison de groupes rétrospectif

Introduite par
Fred N. Kerlinger
Année
1964
Type
Non-experimental quantitative research design
Famille
Survey / observational design

Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais

Taille de police

À quoi sert-elle ?

La recherche causale-comparative est une approche quantitative non expérimentale dans laquelle le chercheur compare deux groupes ou plus qui diffèrent déjà sur une variable indépendante — laquelle n'a pas été manipulée — afin d'étudier les causes ou les conséquences possibles de cette différence.

Étant donné que l'appartenance aux groupes est préexistante plutôt qu'attribuée de manière aléatoire, ce plan de recherche peut suggérer des relations causales, mais ne peut les établir avec la certitude d'une véritable expérience. Il est largement utilisé en éducation, en psychologie et dans les sciences sociales lorsque la manipulation expérimentale est impraticable ou contraire à l'éthique.

L’intuition derrière la méthode

Supposons que vous vouliez savoir si le tabagisme parental affecte la capacité pulmonaire des enfants. Vous ne pouvez pas attribuer aléatoirement des enfants à des foyers de fumeurs ou de non-fumeurs. Vous identifiez donc des groupes d'enfants dont les parents fument ou ne fument pas déjà, et vous comparez leur fonction pulmonaire. Telle est la logique de la recherche causale-comparative : la « cause » s'est déjà produite dans le monde réel, et vous regardez en arrière pour voir si elle est associée à une différence de résultats. Le plan de recherche ressemble à une expérience dans sa structure — groupes, un résultat mesuré, une comparaison — mais il lui manque l'assignation aléatoire qui rendrait la causalité définitive.

Histoire

La logique de la recherche causale-comparative a été formalisée dans la méthodologie des sciences sociales par Fred N. Kerlinger dans son ouvrage de référence de 1964, Foundations of Behavioral Research, où il décrivait la recherche « ex post facto » comme l'étude systématique d'événements déjà survenus pour identifier les causes probables. Ce plan de recherche avait des racines antérieures dans les études agricoles et épidémiologiques comparant des groupes préformés. Dans les années 1970-1980, il est devenu un élément standard des manuels de méthodes de recherche en éducation, notamment Gay (1976) et plus tard Fraenkel et Wallen, consolidant son rôle de plan non expérimental de référence lorsque la manipulation est impossible.

Quand l’utiliser

Utilisez la recherche causale-comparative lorsque vous souhaitez étudier les causes ou les effets possibles d'une variable qui ne peut être manipulée de manière éthique ou pratique — comme le genre, le statut d'invalidité, le milieu socio-économique ou l'exposition à un événement passé. Elle est appropriée lorsque les groupes sont naturellement constitués et que des données peuvent être collectées sur une variable dépendante significative. Elle convient aux objectifs de recherche descriptive à explicative en éducation, en santé et dans les sciences sociales. NE l'utilisez PAS lorsque vous pouvez mener une véritable expérience avec assignation aléatoire — les expériences fournissent des preuves causales plus solides. Évitez-la lorsque les groupes ne peuvent pas être équivalents de manière significative sur les principaux facteurs de confusion, lorsque l'appartenance à un groupe est ambiguë, ou lorsque la question de recherche nécessite un suivi prospectif du changement au fil du temps (utilisez plutôt la recherche longitudinale).

Limites et points d’attention

  • Ne peut établir la causalité de manière définitive car les groupes ne sont pas assignés aléatoirement — le biais de sélection et les variables confusionnelles restent des explications alternatives.
  • La direction de la causalité est ambiguë : la cause et l'effet présumés peuvent être inversés, ou une troisième variable peut causer les deux.
  • Les groupes peuvent différer sur des variables non mesurées qui expliquent la différence observée, rendant le contrôle statistique incomplet.
  • La nature rétrospective signifie que le chercheur n'a aucun contrôle sur la manière dont la variable indépendante a été vécue ou mesurée dans le passé.

Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.

Points forts

  • Permet d'étudier des hypothèses causales lorsque la manipulation expérimentale est contraire à l'éthique ou impossible.
  • Plus efficace et moins coûteuse que les expériences longitudinales ; les données existent souvent déjà.
  • Produit des comparaisons quantitatives et statistiquement testables entre des groupes naturellement constitués.
  • Fournit des tailles d'effet qui informent sur la signification pratique en plus de la signification statistique.
  • Utile comme plan préliminaire pour justifier la nécessité d'une expérience ultérieure.

Applications

  • Comparer la réussite scolaire entre les élèves ayant fréquenté la maternelle et ceux qui ne l'ont pas fait.
  • Examiner les différences de résultats en matière de santé entre fumeurs et non-fumeurs sans assignation expérimentale.
  • Rechercher l'existence de différences de genre dans l'auto-efficacité en mathématiques chez les élèves du secondaire.
  • Comparer les niveaux de satisfaction au travail entre employés ayant des qualifications éducatives différentes.
  • Évaluer si les enfants élevés dans des foyers bilingues diffèrent en flexibilité cognitive de leurs pairs monolingues.
  • Explorer si la localisation scolaire urbaine ou rurale est associée à des différences dans les taux de rétention des enseignants.

Comment ça marche

Comment ça marche

1

Le chercheur identifie la variable indépendante — une caractéristique préexistante telle que le genre, le statut socio-économique, le niveau d'éducation ou un événement de vie — et définit au moins deux groupes qui diffèrent sur cette variable. La variable de comparaison doit s'être déjà produite naturellement ; elle n'est jamais manipulée par le chercheur.

2

Les participants sont sélectionnés dans chaque groupe préformé, idéalement par échantillonnage probabiliste pour soutenir la généralisation. Les groupes doivent être aussi similaires que possible sur toutes les caractéristiques, à l'exception de la variable indépendante. Le chercheur contrôle ou apparie donc les facteurs de confusion probables (par exemple, l'âge, les performances antérieures, le niveau de revenu) pendant la phase de conception.

3

Les données sur la ou les variables dépendantes sont collectées auprès de tous les groupes en utilisant les mêmes instruments et procédures. Les sources de données courantes comprennent les scores de tests standardisés, les réponses à des enquêtes, les dossiers administratifs ou les mesures physiques. Étant donné que la cause s'est déjà produite, la collecte de données est rétrospective ou concurrente — et non prospective.

4

Les moyennes de groupe (ou les proportions, les rangs) sur la variable dépendante sont comparées à l'aide de statistiques inférentielles appropriées — généralement des t-tests pour échantillons indépendants, une ANOVA unidirectionnelle, une ANCOVA (pour contrôler les covariables) ou des tests du chi-carré, selon l'échelle de mesure. Les tailles d'effet (d de Cohen, êta-carré) doivent accompagner les tests de signification.

5

Les différences de groupe statistiquement significatives sont interprétées avec prudence. Le chercheur examine les explications alternatives — en particulier le biais de sélection et les facteurs de confusion non mesurés — avant d'attribuer la différence à la variable indépendante. Le langage causal est nuancé (« peut suggérer », « est compatible avec ») à moins que le plan de recherche n'inclue des contrôles supplémentaires qui renforcent l'inférence causale.

Pièges courants

  • Traiter une différence de groupe significative comme une preuve de causalité — toujours reconnaître explicitement la nature non expérimentale et les explications alternatives.
  • Ignorer la non-équivalence des groupes — lorsque les groupes de comparaison diffèrent sur plusieurs variables de fond, la différence ciblée est confondue ; utiliser l'appariement ou l'ANCOVA pour traiter les covariables clés.
  • Inverser la cause et l'effet — dans certains plans, il est plausible que le résultat présumé influence en fait la variable de regroupement ; raisonner attentivement sur la séquence temporelle.
  • Utiliser le plan lorsque les groupes ne sont pas significativement distincts — des limites de groupe floues (par exemple, des revenus « élevés » vs « faibles » mal définis) augmentent la variance d'erreur et affaiblissent l'inférence.
  • Ne rapporter que les valeurs p sans les tailles d'effet — une différence statistiquement significative entre de grands groupes peut être pratiquement triviale ; toujours rapporter et interpréter l'ampleur de l'effet.

Questions fréquentes

Quelle est la différence entre la recherche causale-comparative et la recherche corrélationnelle ?

Les deux sont non expérimentales, mais elles diffèrent par leur structure et leur objectif. La recherche corrélationnelle examine la force et la direction d'une relation entre des variables continues au sein d'un même groupe, en utilisant des coefficients comme le r de Pearson. La recherche causale-comparative compare des groupes discrets et préformés sur une variable dépendante et utilise des statistiques de différence de groupe (t-test, ANOVA). Les plans causaux-comparatifs sont explicitement construits autour d'une relation cause-effet présumée entre l'appartenance à un groupe et un résultat, tandis que les plans corrélationnels décrivent une association sans impliquer de direction de cause à effet.

En quoi la recherche causale-comparative diffère-t-elle du plan ex post facto ?

Les termes sont souvent utilisés de manière interchangeable, et dans de nombreux manuels, « plan ex post facto » est l'ancienne appellation pour exactement la même approche. Kerlinger a initialement utilisé « ex post facto » (latin pour « après le fait ») pour souligner que la variable indépendante s'est déjà produite. Des méthodologistes ultérieurs, en particulier en éducation, ont préféré « causal-comparative » pour mettre en évidence la logique de comparaison de groupes. Fonctionnellement, les deux étiquettes désignent la même famille de plans de recherche.

La recherche causale-comparative peut-elle établir la causalité ?

Non — pas avec la même confiance qu'une véritable expérience. Étant donné que les participants ne sont pas assignés aléatoirement aux groupes, les différences préexistantes entre les groupes (biais de sélection) et les variables tierces non mesurées sont toujours des explications alternatives plausibles. Ce plan peut fournir des preuves suggestives, génératrices d'hypothèses, d'une relation causale, en particulier lorsque plusieurs études répliquent constamment le modèle, mais une expérience contrôlée est nécessaire pour confirmer l'affirmation causale.

Quels tests statistiques sont appropriés ?

Le choix dépend du nombre de groupes et de l'échelle de mesure. Pour deux groupes avec un résultat continu, utilisez un t-test pour échantillons indépendants ; pour trois groupes ou plus, une ANOVA unidirectionnelle. Pour contrôler les covariables, utilisez l'ANCOVA. Pour les résultats catégoriels, utilisez les tests du chi-carré. Dans tous les cas, complétez le test de signification par un indice de taille d'effet (d de Cohen pour les t-tests, êta-carré ou oméga-carré pour l'ANOVA) pour communiquer l'importance pratique.

Comment contrôler les variables confusionnelles dans un plan causal-comparatif ?

Plusieurs stratégies sont disponibles au stade de la conception ou de l'analyse. Au stade de la conception, vous pouvez apparier les participants entre les groupes sur les principaux facteurs de confusion (par exemple, en associant chaque participant du groupe de traitement à un participant du groupe de contrôle ayant un âge et des performances antérieures similaires). Au stade de l'analyse, vous pouvez inclure les facteurs de confusion comme covariables dans l'ANCOVA, ce qui ajuste statistiquement les moyennes des groupes. Aucune des deux approches n'élimine tous les facteurs de confusion, mais toutes deux renforcent considérablement la validité interne de la comparaison.

Méthodes associées

Sources

  1. Kerlinger, F. N. (1964). Foundations of Behavioral Research. Holt, Rinehart and Winston.

    Ouvrir la référence de la publication
    Copié.
  2. Fraenkel, J. R., Wallen, N. E., & Hyun, H. H. (2012). How to Design and Evaluate Research in Education (8th ed.). McGraw-Hill.

    ISBN : 978-0078097850
    Copié.