Inférence causale

L'inférence causale est le processus par lequel on peut établir une relation de causalité entre un élément et ses effets.

C'est un champ de recherche à la croisée des statistiques, de l'économétrie, de l'épidémiologie, de la méthodologie politique et de l'intelligence artificielle.

En 1920, Sewall Wright développe la première path analysis. Cette analyse graphique des relations de causalité entre les variables constitue selon Judea Pearl un travail pionnier dans l'inférence causale^[1].

Dans les années 1970, Donald Rubin (Rubin 1974) développe un modèle causal dit modèle à résultat potentiel dans un article intitulé Estimating Causal Effects of Treatments in Randomized and Nonrandomized Studies. Ce modèle est connu sous le nom de modèle causal de Neyman-Rubin^[2],[3].

L’expérience randomisée contrôlée est considérée comme la méthode de référence en inférence causale. Elle repose sur l’affectation aléatoire d’individus à un groupe de traitement et à un groupe de contrôle. Grâce à la randomisation, les deux groupes sont en moyenne comparables sur toutes les dimensions observées et non observées, ce qui permet d’attribuer aux différences constatées dans les résultats un lien causal avec le traitement. Cette méthode vise à éliminer les biais de sélection et à fournir une estimation directe de l’effet causal moyen.

La méthode des différences en différences exploite des données longitudinales portant sur deux groupes : l’un soumis à une intervention (réforme, choc, programme), l’autre non. Elle consiste à comparer l’évolution temporelle des résultats dans le groupe traité avec celle du groupe témoin. L’hypothèse centrale est celle de tendances parallèles : en l’absence de traitement, les deux groupes auraient connu une trajectoire similaire. La méthode permet alors d’isoler l’effet causal associé à l’intervention.

La régression en discontinuité s’applique lorsque l’accès au traitement dépend d’une règle fondée sur un seuil continu, par exemple un score ou un revenu. Les individus situés juste en dessous et juste au-dessus du seuil sont considérés comme très similaires, à l’exception du fait que certains bénéficient du traitement et d’autres non. La comparaison de leurs résultats fournit une estimation locale de l’effet causal. Cette approche exploite ainsi la discontinuité créée par la règle d’éligibilité comme une ‘expérience’ naturelle. [1]

• (en) Donald Rubin, « Estimating Causal Effects of Treatments in Randomized and Nonrandomized Studies », Journal of Educational Psychology, vol. 66, n^o 5,‎ 1974, p. 688–701
• (en) Judea Pearl, « Causal inference in statistics: An overview », Statistics Surveys, vol. 3,‎ janvier 2009, p. 96–146 (DOI 10.1214/09-SS057, lire en ligne)
• (en) Paul W Holland, « Statistics and causal inference », Journal of the American Statistical Association, vol. 81, n^o 396,‎ 1986, p. 945-960
• (en) Judea Pearl, Causality, Cambridge University Press, 2009
• (en) MA Hernán et JM Robins, Causal Inference: What If, Barnsley, Boca Raton: Chapman & Hall/CRC, 21 janvier 2020 (lire en ligne)
• (en) Judea Pearl et Dana Mackenzie, The Book of Why : The New Science of Cause and Effect, Penguin Books, 2019 (1^re éd. 2018), 432 p. (ISBN 978-0-1419-8241-0 et 0-1419-8241-1)
• (en) Scott Cunningham, Causal Inference : The Mixtape, Yale University Press, 2021, 352 p. (ISBN 9780300251685 et 0300251688)

• Journal of Causal Inference

• Modèle causal de Neyman-Rubin
• Méthode des variables instrumentales
• Causalité au sens de Granger
• Causalité (sciences sociales)
• Estimateur de Wald
• Méthode à contrôle synthétique
• Révolution de crédibilité ou tournant empirique (Economie)

• Portail des probabilités et de la statistique
• Portail de la philosophie
• Portail de l’économie
• Portail de l’informatique