S’il est aujourd’hui bien admis et reconnu que le QI corrèle avec les résultats socio-économiques (Herrnstein & Murray, 1994; Jensen, 1998; Gottfredson, 1997), les indices et mesures de santé (Gottfredson, 2003, & Deary, 2004; Reeve & Basalik, 2010), le salaire (Jones & Schneider, 2008), l’épargne (Jones, 2012), la performance au travail (Ree & Earles, 1994), la performance dans les cours de formation (Ree & Earles, 1991), les connaissances générales (Reeve, 2004), la performance économique générale (Jones & Schneider, 2006; Jones, 2011, 2012; Hafer & Jones, 2012; Meisenberg, 2012; Kalonda-Kanyama & Kodila-Tedika, 2012), et ceci, sans mentionner d’autres corrélats bien évidents (Lynn & Vanhanen, 2012), les critiques continuent à affirmer que la causalité n’est pas prouvée pour autant. Le présent article s’attèle à présenter l’état des recherches actuelles sur le sujet.
McKay & McDaniel (2006, p. 546) ainsi que te Nijenhuis & van der Flier (2005) démontrent, via la méthode des vecteurs corrélés, que la charge ou saturation cognitive du travail effectué corrélait avec les différences raciales. Plus la complexité est élevée, plus les différences entre les blancs et les noirs ou le groupe ethnique majoritaire versus minoritaire, s’élargit. Ceci est tout à fait cohérent avec la théorie de Spearman-Jensen, sur le fait que les différences augmentent avec g (Jensen, 1998, pp. 377-378) et démontrent que l’importance de g ne se réduit pas à l’intérieur d’un groupe.
Jensen (1998, pp. 276-277, 280, 283, 286) nous apprend que les saturations en g des sous-tests de batteries cognitives sont corrélées avec les coefficients de validité prédictive (i.e., corrélation avec des mesures de résultats sociaux) de ces mêmes sous-tests. De la même façon, dans les données du NLSY97, les charges en g des sous-tests de l’ASVAB-1999 corrèlent avec leurs corrélations sur les évaluations scolaires dites GPA (Hu, Sept.21.2013). Cela fut vrai pour le groupe des noirs, hispaniques et des blancs. Le fait de contrôler à la fois l’éducation et le niveau de revenu des parents n’a réduit cette corrélation que d’assez peu.
Cependant, si les recherches passées démontraient que le rôle pratique de g est prépondérant (e.g., Ree & Earles, 1991, 1994), il n’est pas impossible que l’importance des compétences latentes spécifiques aient été sous-estimée. Reeve (2004) nous apprend que les méthodes précédemment appliquées n’avaient probablement pas isolé parfaitement les facteurs latents spécifiques de l’intelligence du facteur latent général de l’intelligence, du fait des variances attribuées aux erreurs aléatoires de mesure : “Often studies of cognitive abilities have relied on the observed subscales of a test (as defined at the discretion of test constructor) as a construct-valid surrogate for narrow ability constructs (e.g., Hunter, 1986; Thorndike, 1991). … studies of the validities of narrow abilities often estimate these factors with the variance due to g included. Thus, the correlations with outcomes reflect both the variance due to g as well as the unique variance due to the specific factor.” (p. 625). Ainsi propose-t-il, les modèles à variables latentes, via les méthodes d’équations structurelles (SEM), évaluent plus précisément les capacités spécifiques au niveau latent (i.e., les facteurs (non observés) latents ou construits censés représenter la variance partagée par les variables (mesurées) observables incluses). La conclusion de son analyse (pp. 635-639) est que le facteur général (g) de l’intelligence est le principal prédicteur des connaissances générales, que le facteur latent spécifique n’ajoute aucune variance supplémentaire dans le facteur latent général des connaissances, que les facteurs spécifiques ont des corrélations avec certains domaines des connaissances spécifiques même si certains de ces coefficients de voies structurelles sont proches de zéro. Malgré l’importance des compétences cognitives spécifiques sur les critères spécifiques de connaissance, l’auteur tient à préciser, “Although narrow abilities may be important predictors of some narrow criterion factors, this does not necessarily indicate that these criterion factors are practically meaningful. Indeed, the general knowledge factor, which was predicted solely by g, accounts for the majority of the total variance underlying the criterion construct space. Thus, the narrow abilities, despite their evident psychological significance, may only have practical significance in situations where the range of general ability has been restricted (e.g., among a group of doctoral graduate students, where prescreening produces significant range restriction in g).” (pp. 639-640). Enfin, une limite de l’étude tient au fait qu’un certain nombre des tests de connaissance avait une faible fiabilité, ce qui pourrait avoir limité la relation entre les facteurs de connaissances spécifiques et les capacités spécifiques.
Reeve (2004) et Coyle (2013) ont fait remarquer que dans la mesure où les facteurs (ou résidus) non-g peuvent prédire les habiletés étroites ou spécifiques, ce schéma n’est pas incohérent avec la théorie dite de l’investissement (par Cattell) qui prédit que les capacités non-g reflètent des capacités spécifiques qui contribuent à d’autres capacités spécifiques. Le fait d’investir dans des capacités dans un domaine se fait au dépens des autres domaines, produisant ainsi des corrélations négatives entre ces capacités et les autres capacités dites compétitives.
Conséquemment, la contribution des habiletés non-g est suspectée d’être négligeable au-delà de g. Et ceci a été confirmé une fois de plus. Selon un autre angle, l’importance des erreurs de mesure a été considérée dans l’étude SEM de Brown et al. (2006) :
As noted by Schmidt et al. (1981), theory-driven research should examine validities at the true score or construct level. The true-score level refers to the relationship among the constructs free from measurement error and other statistical biases. Examining validities calculated on imperfect measures often produces an inaccurate picture of the relative importance of the abilities themselves. This occurs because partialling out imperfect measures does not fully partial out the effects of underlying constructs (Schmidt et al., 1981). To illustrate, suppose that Ability A is a cause of training performance but Ability B is not. Suppose further that the tests assessing these abilities have reliabilities of .80 and are positively correlated (as occurs with all mental ability tests). Because Ability B is correlated with Ability A, Ability B will show a substantial validity for training performance. Moreover, because Ability A is not measured with perfect reliability, partialling it from Ability B in a regression analysis would not partial out all of the variance attributable to Ability A. Thus, the measure of Ability B will receive a substantial regression weight when in fact the construct-level regression weight is zero. That is, Ability B will predict training performance even though it is not a true underlying cause of training performance. In this case, Ability B will appear to increment validity over Ability A only because of the presence of measurement error (see also Schmidt & Hunter, 1996).
Trois niveaux d’habiletés sont à distinguer : les aptitudes spécifiques (6 sous-tests ASVAB), les aptitudes générales (3 facteurs latents communs en tant que somme des 6 sous-tests), GMA (la somme à pondération égale des scores des 3 aptitudes générales). Les auteurs tentent de tester l’hypothèse que les habiletés mentales spécifiques ajoutent à la validité prédictive de la performance au travail par-dessus, au-delà g ou GMA. La théorie de l’aptitude spécifique prédit le modèle propre à la figure 2 comme étant le mieux ajusté par rapport au modèle de la figure 1 tandis que la théorie de g ne prédit pas un meilleur ajustement du modèle de la figure 2. Mais en fait, l’inclusion que ce soit des aptitudes spécifiques ou générales n’améliore pas la prédiction au-delà du facteur g. En outre, comme prédit, g montre une plus forte validité pour les programmes d’entraînement et d’apprentissage à complexité plus élevée.
Parmi les critiques du QI, on peut noter une théorie correspondant à celle du plafond de validité prédictive connu sous “threshold hypothesis” qui consiste à dire que le QI corrèle avec des résultats économiques bien réels et pertinents, mais qu’à partir d’un certain niveau de QI (e.g., 120), un niveau encore plus élevé n’est plus bénéfique. Jensen (1980, pp. 318-319; 1998, pp. 289-290) avait indiqué à plusieurs reprises que ceci était erroné compte tenu que la réussite académique augmente linéairement en fonction du QI à tous les niveaux de QI. Cela s’applique aussi aux SAT scores corrélés au GPA, grade point average. Nous en avons une illustration graphique ci-dessous :
Alors même que les critiques invoquent généralement l’idée que la corrélation entre le QI et mesures de réussite sociale n’est due qu’à des facteurs externes confondants, comme les influences familiales (c2), le problème vient au moment de tester ces théories. Murray (1998) avait démontré par une étude de frères et soeurs (siblings), en comparant ces personnes biologiquement apparentées, que le sibling comparé ayant un plus haut QI se retrouve à des niveaux socio-économiques plus élevés. Puisque les sujets étaient frères et soeurs de même famille, les différences dans les styles familiaux et niveaux économiques ne peuvent pas expliquer cette relation. Parallèlement, le fait que le statut socio-économique (SSE, ou SES en anglais) n’a pas d’influence considérable sur la corrélation entre QI et test scolaire est autrement justifié par les corrélations partielles (contrôlant le SES) qui ne réduit la corrélation que d’un infime montant (Jensen, 1980, p. 336). Aussi, le QI corrèle davantage avec le SSE atteint à l’âge adulte qu’avec le SSE de ses parents (Jensen, 1973, p. 236, 1998, p. 384). Ceci suggère par conséquent que le SSE antérieur des parents n’est pas vraiment le facteur le plus déterminant et que le QI semble déterminer le SSE, non l’inverse. C’est tout à fait cohérent avec l’inaptitude de l’étude adoption française réalisée par Capron & Duyme (1989, 1996) et réanalysé par Jensen (1997; Hu. Feb.19.2013) qui démontre que le gain de QI via l’adoption par des familles socio-économique très aisées d’enfants abusés n’affecte pas les capacités générales, soit le facteur g, mais probablement des capacités spécifiques. Une conclusion similaire peut être dérivée de l’étude d’analyse causale de Rice et al. (1988) qui rapporte que les influences environnementales familiales, mesurées par l’indice de HOME, sur le QI des enfants, montrent des effets environnementaux directs et indirects à 1 an d’âge, puis des effets environnementaux directs et génétiques indirects par médiation parentale à 2 ans d’âge, puis des effets indirects génétiques à 3 et 4 ans d’âge. Cela pourrait suggérer que l’effet environnemental serait plus effectif durant la petite enfance que durant l’enfance. Tout ceci, généralement, est à considérer avec le fait que les interventions éducatives échouent généralement à affecter les capacités générales de façon durables (Ritchie & Bates, 2013).
Aussi, Gottfredson (1997) a fourni des suggestions indirectes sur le fait que g serait une entité causale, comme le fait que l’apprentissage n’améliore pas la productivité générale au travail dans la mesure où g compte déjà pour une très large part de la variance explicative. Ceci s’expliquerait par le fait que l’apprentissage augmente les habilités spécifiques alors que g est censé être un facteur général d’aptitude. Les gains et bénéfices engrangés grâce à l’apprentissage ne sont pas généralisables à d’autres tâches de travail, ce qui est aussi cohérent avec les multiples échecs des expériences sur le travail de mémoire pour généraliser et “transférer” les gains de QI sur d’autres tests cognitifs dissemblables en contenu (Hu, Nov.1.2012). Comme Murray (2005) l’avait expliqué :
Suppose you have a friend who is a much better athlete than you, possessing better depth perception, hand-eye coordination, strength, and agility. Both of you try high-jumping for the first time, and your friend beats you. You practice for two weeks; your friend doesn’t. You have another contest and you beat your friend. But if tomorrow you were both to go out together and try tennis for the first time, your friend would beat you, just as your friend would beat you in high-jumping if he practiced as much as you did.
Gottfredson a souligné (1997, pp. 86, 91-92, 108) qu’il est extrêmement difficile de réduire les différences individuelles de performance par la pratique, lesquelles différences peuvent même augmenter dans la mesure où les individus intelligents apprennent plus vite, même à exposition et instruction identiques. Cela est cohérent avec l’idée d’un g causal, mais pas avec celle d’un g médié par des facteurs externes.
Maintenant, concernant les possibles mécanismes procédant à la corrélation QI-réussite, malgré les corrélations significatives entre vitesse de traitement de l’information et QI (Jensen, 1998, pp. 234-238, 2006, pp. 160, 171-172, 195; Grudnik & Kranzler, 2001; Sheppard & Vernon, 2008) et le fait que cette corrélation soit médiée presque totalement par des facteurs génétiques (Jensen, 1998, p. 233, 2006, pp. 130-131) et outre le fait que les tests cognitifs élémentaires (ECT) soient moins modifiables par les facteurs culturels et de personnalité (Rindermann & Neubauer, 2001; Jensen, 2006, pp. 175-178), il restait à déterminer la médiation causale. D’abord, Luo & Petrill (1999) rapportent que le g psychométrique (tiré des tests QI conventionnels) et g chronométrique (tiré des tests dits ECTs) sont similaires dans le sens où la nature intrinsèque de g ne change pas lorsque les ECTs sont ajoutés par dessus les tests QI psychométriques traditionnels. Il apparaît aussi que le composant de traitement de mémoire contribue à g. Par la suite, Luo et al. (2003a) ont découvert que les facteurs de groupes (i.e., spécifiques) du CAT, une batterie de tests censé mesuré la vitesse de traitement de l’information, n’étaient pas des facteurs importants pour prédire la performance académique, mesurée par la batterie de tests MAT, tandis que le facteur g dérivé du CAT (ou CAT-g) affecte la performance académique essentiellement à travers une médiation génétique (dits “genetic paths”) comme l’atteste les changements plus significatifs dans les valeurs du Chi-Square servant à estimer l’ajustement du model (Table 8). Luo et al. (2003b) démontrent que le facteur g psychométrique, WISC-g, corrélé à la performance scolaire était en vérité médié par la vitesse de traitement de l’information, représenté par CAT G, ou le facteur général du CAT. En outre, il est possible qu’il existe un autre médiateur comme le traitement de la mémoire dans la mesure où celui-ci a une forte saturation sur le composant de la vitesse mentale. Ceci est tout à fait conforme à la théorie de la vitesse mentale par Jensen (2006, pp. 212, 216-217, 224, 226-227) qui prédit aussi l’existence d’une interaction synergique entre mémoire et vitesse. La raison serait que le traitement rapide de l’information permet de consolider davantage d’informations exposées à la mémoire de long-terme (LTM), le concept de gains de QI consolidés versus non consolidés a été explicité par Jensen (1973, pp. 79-97).
Cohérent avec les conclusions de Dasen Luo, Rindermann & Neubauer (2004, pp. 581-586) ont démontré que l’effet direct de la vitesse du traitement de l’information sur la performance scolaire/scolastique était significative bien que faible comparé à l’effet indirect (médié par l’intelligence et la créativité) sur la performance scolastique. De la même façon, Rohde & Thompson (2007) sont parvenus à démontrer que les compétences cognitives spécifiques que sont la vitesse de traitement, le travail de mémoire et l’habilité spatiale agissent de façon indirecte sur les performances scolatisques (mesurées par GPA, SAT-verbal, SAT-math, WRAT-III) via l’intelligence (mesuré par Raven et un test de vocabulaire). Lorsque les capacités cognitives spécifiques ont été contrôlées, les capacités générales continuent à ajouter à la variance expliquée dans la performance académique; aussi, lorsque les mesures de l’intelligence générale ont été contrôlées, les capacités spécifiques n’ajoutent aucune variance explicative supplémentaire sur le WRAT et GPA, mais ajoute à la prédiction du SAT. Ceci étant dit, les auteurs notent que ces compétences spécifiques peuvent influer sur les performances académiques au delà des capacités générales de l’intelligence. Une autre étude, par Vock et al. (2011), rapporte que la vitesse mentale a un effet uniquement indirect sur la performance académique à travers le raisonnement et la pensée divergente (un indice de créativité) tandis que la mémoire de court terme avait des influences directes et indirectes (via raisonnement et pensée divergente). Fait intéressant, l’effet indirect de la vitesse mentale diminue lorsque la mémoire court terme est incluse dans le modèle, et cela s’explique par le fait que ces deux variables partagent des variances communes. Les auteurs rappellent toutefois au sujet de la mémoire de court-terme que seul le travail de mémoire comme forme de “stockage actif” (par opposition au “stockage passif”) est un bon prédicteur pour les capacités cognitives générales et la performance scolaire. Par ailleurs, la relation n’est pas suspectée d’être biaisée par des administrations de tests “chronométrés” comme démontré par Preckel et al. (2011) quand ils ont découvert que la pensée divergente et la capacité de raisonnement sont médiées par la vitesse mentale. Au final, la seule exception provient de Dodonova & Dodonov (2013) qui ne sont pas parvenus à répliquer les résultats précédents. Ils ont trouvé que le traitement de l’information et l’intelligence avaient chacun des contributions uniques (indépendantes) sur la performance scolaire.
L’importance de la vitesse de traitement comme médiateur du facteur général (g) de l’intelligence a été davantage mise en évidence par Coyle et al. (2011) dans un très large échantillon d’adolescents du NLSY97 en raison que l’effet direct (path coefficients) de l’âge sur le développement de g n’était pas significatif. Au contraire, l’amélioration de la vitesse de traitement est associée à l’augmentation de g et l’effet de l’âge sur g (i.e., l’intelligence augmente au cours du développement) était presque totalement médié par la vitesse de traitement (Note : le modèle 4 ci-dessous montre les meilleurs indices d’ajustement aux données).
Although processing speed strongly mediated the development of g in our study, it may have done so indirectly through cognitive processes such as encoding, inhibition, or retrieval. These other cognitive processes have been found to be related to each other and to processing speed (Carroll, 1993). However, processing speed is assumed to broadly constrain cognitive development by limiting the speed of all cognitive processes (e.g., Kail, 1991). Thus, processing speed would also be expected to constrain the development of g, which reflects all cognitive processes (cf. Jensen, 2006; Kail, 2000).
Our findings are consistent with theories emphasizing the role of processing speed in children’s cognitive development (Jensen, 2006; Kail, 1991, 2000). These theories assume that increases in processing speed contribute to global improvements in cognition, which are observed as increases in g. Such improvements in cognition and g have been attributed to neural changes including increases in nerve conduction velocity, neuronal oscillations, and brain myelination (Jensen, 2011; Miller, 1994).
Un résultat similaire a été produit auparavant. Nettelbeck (2010) est parvenu à répliquer l’analyse en équation structurelle de Kail (2007) dans lequel le modèle le plus adapté est celui où l’âge est le facteur causal des améliorations dans le traitement de l’information, qui à son tour cause une amélioration dans la capacité de travail de mémoire, et qui à son tour cause une meilleure capacité de raisonnement (e.g., mesurée par le test de Raven ou Cattell). Aussi, dans l’échantillon d’étude de Nettelbeck, les adultes âgés ont vu un déclin dans leurs habiletés de raisonnement dû à un traitement de l’information plus lent mais aussi par des facteurs liés à l’âge affectant les capacités de travail de mémoire mais indépendants de la vitesse de traitement.
Un développement de cette relation depuis l’enfance jusqu’à l’adolescence a été fourni par Demetriou et al. (2013a, pp. 40, 42, 44; see also, Coyle, 2013; Kail, 2013; Demetriou et al., 2013b, 2013c) via des analyses en SEM qui établissent que la vitesse de traitement prédit l’intelligence (g) fluide bien mieux que le travail de mémoire durant les périodes transitionnelles quand les nouvelles capacités mentales sont créées tandis que le travail de mémoire prédit g fluide mieux que la vitesse de traitement durant les périodes dites stables quand les capacités existantes sont consolidées et plus fortement reliées les unes aux autres. Ces deux variables sont importantes parce que la vitesse de traitement permet aux individus de mieux gérer le flux d’information durant la résolution des problèmes tandis que le travail de mémoire permet aux individus de représenter et de traiter plus d’unités d’information en même temps. En général, la description de leurs analyses (pour l’étude concernant la phase du milieu de l’enfance) peut être résumée comme suit :
In the model fit on the longitudinal data, we used the speed and the working memory scores of the first testing wave and the gf scores of the second testing wave. That is, in the first group, speed and WM at 6, 7, or 8 are used to predict gf at 7, 8, and 9 years. In the second group, speed and working memory at 9 or 10 are used to predict gf at 10 or 11 years. To test the assumption that the structure of abilities does not vary with time but their relations might vary, we constrained all relations between measures and factors to be equal across the two groups and we let the structural relations vary freely. It is recognized that the relatively small number of participants in the two age blocks compared may weaken the statistical power of structural relations. To compensate for this problem the number of measurement in these models was kept to a minimum.
The fit of this model was excellent (see Table 1). The relations between constructs are patterned as expected. In the younger age group, the relations between age and speed (−.71), and gf (.48) were significant and much higher than in the older age group (−.14 and 0, respectively). However, the relations between working memory and speed and working memory and gf were much higher in the older (−.44 and .64) than in the younger age group (−.28 and .49, respectively). Thus, it seemed that in the first phase speed reflected age changes because in this phase children became extensively faster in processing and relatively better in gf. In the next phase, gf changes converged increasingly with working memory, reflecting an across the board expansion of thought towards the capacity indexed by WM.
Ceci a des implications certaines pour la loi des rendements décroissants de l’âge de Spearman (SLODR-age, Spearman’s law of diminishing returns for age) dans la mesure où l’intelligence générale (g) “results in differentiation of cognitive abilities because excessive g allows for investment into domain-specific learning, thereby fostering domain autonomy” (p. 38) ce qui tend à converger vers la théorie CD-IE de Woodley (2011). La discussion générale de Demetriou vaut également la peine d’être citée :
Our findings about structure confirmed both the SLODRage prediction that cognitive processes differentiate from each other (prediction 4a) and the developmental prediction that they become increasingly coordinated with each other (prediction 4b). Differentiation was suggested by the fact that, with age, different types of mental processes are expressed through process-specific factors rather than through a more inclusive representational factor. These process specific factors tended to relate increasingly with a general factor at a subsequent phase, reflecting an integration of previously differentiated processes. This concurrent differentiation/integration of cognitive processes necessitates a redefinition of the nature of cognitive development. Our findings suggested that intellectual power increases with development because cognitive processes and reasoning evolve through several cycles of differentiation and integration where relations are dynamic and bidirectional. According to the present and other research (Demetriou, 2000; Demetriou & Kazi, 2001, 2006; Flavell, Green, & Flavell, 1995), differentiation goes from general cognitive functions to specific cognitive processes and mental operations. Integration follows the trend, focusing on increasingly specific processes and operations. Differentiation of cognitive processes allows their control because they may be individually regulated according to a goal-relevant plan. Integration of mental operations generates content-free inferential schemes that can be brought to bear on truth and validity. In both differential and developmental theories, the differentiation/integration process always applies on inferential processes. Moreover, in developmental theory, the state of their coordination frames the functioning of all other cognitive processes, such as language, mental imagery, and memory, imposing a stage-specific overall worldview (Piaget, 1970).
Au niveau biologique, maintenant, Penke et al. (2012) ont conduit des analyses de type SEM pour tester les possibles voies causales de trois différents indicateurs d’intégrité des tractus de matière (substance) blanche vers l’intelligence générale (g). Ils ont découvert que cette voie causale était entièrement médiée par la vitesse de traitement de l’information. Ils ont fait cette hypothèse dans la mesure où l’efficacité du traitement de l’information entre régions distales du cerveau est pensée être liée à l’intégrité de l’interconnexion des faisceaux (ou tractus) de matière blanche. Jung & Haier (2007) avaient également insisté sur la connectivité fonctionnelle du cerveau pour expliquer les bases neurales de l’intelligence.
Ceci dit, les tests de causalité QI-réussite étant les plus nécessaires, Watkins et al. (2007) ont conduit ce genre de tests en utilisant des méthodes à équations structurelles pour estimer le sens de causalité des facteurs latents des tests QI et tests d’aptitude (scolaire) entre deux périodes de temps, en somme, une analyse transversale décalée (cross-lagged path analysis). Les coefficients de voies structurelles indiquent que les facteurs latents de QI évalués à Temps #1 ont des voies directes sur tous les facteurs latent QI et d’aptitude scolaire évalués à Temps #2, tandis que les facteurs latents d’aptitude scolaire à Temps #1 avaient des voies directes sur les facteurs d’aptitude scolaire à Temps #2. Les auteurs concluent alors que le QI montre une relation causale avec l’aptitude scolaire mais que l’inverse ne tenait pas.
Des études précédentes, de même nature bien que rares, sont cohérentes avec Watkins (2007). Jensen (1980, pp. 241, 324, 336-337) cite une étude de Crano (1972) bien que plus tard critiquée Watkins pour des méthodes non optimales, mais également une analyse causale schématique (path diagram) de Li (1975) comme montré ci-dessous :
Si l’éducation et statut professionnel du père ont chacun un coefficient direct de 0.20, cela veut dire qu’ils expliquent tous deux 0.20^2+0.20^2=0.08, soit 8% de variation du QI de l’enfant. Aussi, dans la mesure où le coefficient du QI enfant vers l’éducation à l’enfance est de 0.44, le coefficient de ce dernier vers le QI à l’âge adulte étant de 0.25, alors l’effet indirect de l’éducation sur le QI adulte estimé serait de 0.44*0.25=0.11, soit 11% de la variance. Là encore, il semblerait que l’éducation n’ait pas de relation causale avec le QI.
Concernant encore la contribution du SSE (ou SES) sur la réussite, Brodnick & Ree (1995) ont étudié la relation structurelle entre g (SATm, SATv, ACT) et le statut socio-économique (income, family size, parent’s age) et la performance académique (AP, divers GPAs) par des analyses factorielles confirmatoires (CFAs). Parmi ces 3 variables latentes, ils ont découvert que le SES n’avait pas de pouvoir explicatif substantiel. Le modèle le plus adapté aux données fut un modèle g+AP dans lequel il n’y avait aucune voie directe connectant les 3 variables SES observées ou même le SES facteur latent commun vers AP latent ou ses éléments observables. Le g latent avait une voie de 0.672 menant vers AP, comptabilisant ainsi 0.672² ou 45.2% de variance dans la variable latente AP, avec D comme étant la variance non expliquée par AP qui est de 0.740² ou 54.8% (i.e., 45.2%+54.8%=100%). Le fait que le modèle g-unique ne montre pas d’ajustement plus faible comparé au modèle g+SES signifie que l’ajout de la variable latente SES n’est plus très utile une fois que g a été incorporé. On pourrait douter de la validité des tests SAT/ACT comme servant à dériver un g latent, mais Frey & Detterman (2004), Koenig et al. (2008), et Coyle & Pillow (2008) ont confirmé que le SAT ou l’ACT est un bon proxy de g.
Des analyses transversales décalées ont également été réalisées à l’échelle du QI national par Rindermann (2008a, 2008b, 2011, 2012). Les niveaux de QI prédisent une meilleure performance économique future, comme l’attestent les Beta coefficients positifs et significatifs, bien qu’ils ne soient pas très élevés. Les coefficients de causalité (Beta) menant du PIB antérieur vers le QI national postérieur sont également significatifs, suggérant des effets de causalité réciproques entre les deux variables. D’un autre côté, les niveaux antérieurs d’éducation prédisent le PIB postérieur tandis que le PIB antérieur ne prédit que faiblement les niveaux d’éducation futurs.
Si la relation causale du QI semble bien établie, l’idée du facteur général de l’intelligence, le facteur g, comme entité causale des capacités mentales est plus incertaine (van der Maas et al., 2006). Néanmoins, dans une étude de jumeaux, Shikishima et al. (2009) ont testé deux modèles concurrents concernant le rôle causal du facteur g : le modèle à voie indépendante et le modèle à voie commune. Dans le premier, les facteurs génétiques et environnementaux influencent les capacités cognitives spécifiques par une voie directe. Dans le second, les facteurs génétiques et environnementaux influencent les capacités cognitives spécifiques par l’intermédiaire d’un construit d’ordre supérieur, le facteur g. Les données ont révélé que le modèle à voie commune montrait le meilleur ajustement aux données, d’où il en a été conclu que le rôle causal de g est bien établi, contrairement à ce que prétendaient certains scientifiques comme Stephen Jay Gould.
Analyse Economique 