La transformation des prédicteurs de régression par un changement de base peut résoudre la multicolinéarité et améliorer la puissance, tout en conservant la même qualité d'ajustement. Bien qu'en général un tel changement de base réduise la capacité d'interprétation, je démontre que les prédicteurs transformés par Gram-Schmidt ont une interprétation naturelle en tant qu'effets totaux dans une analyse de médiation où le diagramme de cheminement est connu. Cette approche conduit à des tests nouveaux et exacts pour l'effet indirect et la proportion médiée, par rapport à la méthode standard du produit. Cela suggère qu'une approche de médiation est souvent préférable à la régression classique. Néanmoins, la capacité d'identification du modèle reste un problème en raison de l'incertitude quant à l'ordre causal des variables. Dans la deuxième partie de cette présentation, j'illustre certains défis méthodologiques rencontrés lors de l'application de méthodes de découverte causale pour déterminer les directions entre trois variables pertinentes pour la santé mentale - la solitude, la dépression et la qualité de vie - dans l'Étude longitudinale canadienne sur le vieillissement.