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.
Histoire
[modifier | modifier le code]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].
Méthodes
[modifier | modifier le code]Bibliographie
[modifier | modifier le code]- (en) Donald Rubin, « Estimating Causal Effects of Treatments in Randomized and Nonrandomized Studies », Journal of Educational Psychology, vol. 66, no 5, , p. 688–701
- (en) Judea Pearl, « Causal inference in statistics: An overview », Statistics Surveys, vol. 3, , 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, no 396, , p. 945-960
- (en) Judea Pearl, Causality, Cambridge University Press,
- (en) MA Hernán et JM Robins, Causal Inference: What If, Barnsley, Boca Raton: Chapman & Hall/CRC, (lire en ligne)
- (en) Judea Pearl et Dana Mackenzie, The Book of Why : The New Science of Cause and Effect, Penguin Books, (1re 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, , 352 p. (ISBN 9780300251685 et 0300251688)
Revues
[modifier | modifier le code]Notes et références
[modifier | modifier le code]- Pearl et Mackenzie 2019.
- (en) Paul W. Holland, « Statistics and causal inference », Journal of the American Statistical Association, vol. 81, no 396, , p. 945-960.
- (en) Jasjeet Sekhon, « The Neyman— Rubin Model of Causal Inference and Estimation Via Matching Methods », dans The Oxford Handbook of Political Methodology, (DOI 10.1093/oxfordhb/9780199286546.003.0011).
