L’asymétrie causale reflète le principe selon lequel un événement ne peut être une cause que si son absence empêche l’occurrence de l’effet. Détecter les effets causaux revient donc à comparer une mesure bien définie dans les deux directions. Motivés par l’étude des effets causaux dans les niveaux extrêmes d’un vecteur aléatoire multivarié, nous proposons de construire un indicateur causal agnostique au modèle, reposant uniquement sur l’hypothèse de l’existence d’un domaine d’attraction maximale. À partir de la représentation d’un vecteur aléatoire de Pareto généralisé, nous construisons cet indicateur causal en s’appuyant sur la distance de Wasserstein entre les marges et une variable aléatoire spécifiée. La méthodologie proposée est illustrée à l’aide d’un jeu de données simulé décrivant différentes caractéristiques de bassins versants en Suisse : débit, précipitations, fonte nivale, température et évapotranspiration.