> For the complete documentation index, see [llms.txt](https://opendatafrance.gitbook.io/guide-pour-concevoir-de-bonnes-datavisualisations/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://opendatafrance.gitbook.io/guide-pour-concevoir-de-bonnes-datavisualisations/faire-des-graphiques-corrects/ne-pas-confondre-correlation-et-causalite.md). # Ne pas confondre corrélation et causalité Très souvent, la superposition de séries chronologiques de deux mesures différentes fait apparaître une forte corrélation. C'est une erreur facile de confondre corrélation et causalité. Un biais peut nous faire conclure qu'une chose doit en causer une autre si les deux changent de la même manière et au même moment. Par exemple, si vous reportez deux séries de données différentes (A et B) sur le même graphique, vous pouvez remarquer qu'elles suivent toutes deux un schéma similaire dans le temps. Il est extrêmement difficile, voire impossible, de prouver que A a causé B ou vice versa. Il existe tellement de facteurs tiers non tracés qui peuvent influencer A et B. Seule une étude statistique approfondie de tous les facteurs peut donner une indication de la causalité, si elle existe. ![](/files/MzmYwfwaRym56OItuym1) En savoir plus sur ce sujet * * [Method for identify true correlation by removing the time-series data](http://junkcharts.typepad.com/junk_charts/2013/06/de-noising-data.html) *