arbre causal

arbre causal \aʁbʁ ko.zal\ masculin

1. (Peu usité) (Industrie, Sécurité, Technique) Arbre des causes : diagramme représentatant la combinaison des causes d’un événement, souvent - mais pas forcément – délétère (défaillance, accident, etc.).
   • Enfin, le dernier groupe de conditions est en amont de la phase effective de contrôle : durant l’organisation du travail (10,8%). L’arbre causal obtenu à l’aide des verbalisations remonte dans quelques cas jusqu’à des décisions prises dans les différentes subdivisions (contrôle, étude, instruction, exploitation). Elles concernent notamment la disposition des horaires de travail, l’organisation collective de la salle de contrôle ou la formation de l’ENAC. — (Cyril Barriquault, René Amalberti, « L’influence des modèles de causalité sur l’analyse d’incidents de contrôle aérien ? », dans 34^e Congrès de la Société d’ergonomie de langue française – SELF, Caen [texte intégral])
   • L’action est resserrée sur les seuls indicateurs sur lesquels il est possible d’agir directement, et rapidement, par des actions ciblées. Les leviers d’actions sont identifiés sur la base des liens de causalité mis en évidence via les systèmes d’information. L’analyse est en arbre causal, au détriment d’une vision systémique et complexe se nourrissant des interrelations et interdépendances. — (Emmanuelle Gurtner et Marion Soulerot, « Pilotage par les résultats à Pôle emploi : des effets divers à la main des acteurs : Quand désobéissance peut rimer avec performance », dans Action publique. Recherche et pratiques, n^o 17, 31 juillet 2023, page 26 [texte intégral])
2. (Statistiques) Technique statistique de désagrégation de données.
   • Au niveau des feuilles de l’arbre causal, l’impact net est estimé comme étant la différence dans les résultats moyens entre les participants et des non-participants semblables. Selon le nombre d’observations disponibles, il peut y avoir de nombreuses divisions de ce type, ce qui produit de nombreuses feuilles contenant des groupes homogènes. Chaque feuille de l’arbre causal a son propre effet de traitement « personnalisé » ou « individualisé ». On calcule la moyenne des résultats des feuilles sur les nombreux arbres de la forêt causale, ce qui donne une estimation singulière pour chaque individu au lieu d’un seul effet de traitement moyen pour l’ensemble de la population. — (Andy Handouyahia, Tristan Rikhi, Georges Awad et Essolaba Aouli, « Effets causals hétérogènes des programmes du marché du travail : une approche d’apprentissage automatique », dans Recueil du Symposium de 2022 de Statistique Canada : Désagrégation des données : dresser un portrait de données plus représentatif de la société, n^o 17, 28 juin 2024 [texte intégral])
   • Différents arbres sont utilisés en apprentissage automatique, notamment les arbres causaux, les arbres de classification et les arbres de décision. Dans ce mémoire, nous utilisons principalement les arbres causaux, mais également les arbres de décision (aussi appelés arbres de régression), car nous les utilisons pour bâtir les arbres causaux. — (Marie-Pierre Rancourt, Programmes d’aide à l’emploi et solidarité sociale : Analyse causale des effets de la participation par l’approche des forêts aléatoires : mémoire de maîtrise en économique, sous la dir. de Guy Lacroix, Luc Bissonnette, partie 2.3.1 Méthodologie – Les arbres et les forêts aléatoires, Université Laval, Québec, 2020, page 10-11)