Inférence causale

Aperçu général

L'inférence causale demande ce qui arriverait à un résultat si un traitement, une politique ou une exposition étaient modifiés alors que d'autres conditions pertinentes étaient maintenues comparables. Comme la même unité ne peut pas être observée simultanément sous deux variantes, les chercheurs combinent des hypothèses explicites, la conception d'études et des modèles statistiques pour estimer les contrastes contrefactuelles d'éléments de preuve incomplets.

Fondations techniques

Le cadre des résultats potentiels définit la réponse d'une unité à chaque niveau de traitement et exprime un effet de traitement moyen comme un contraste entre ces quantités contre-factuelles. Les modèles de causalité graphique représentent plutôt des variables et des relations structurelles dirigées, en utilisant la séparation en d pour déterminer les indépendances conditionnelles qui découlent d'un graphique. Les deux formalismes se rencontrent par des hypothèses telles que la cohérence, l'échangeabilité et la positivité. L'identification est distincte de l'estimation : d'abord, l'effet cible peut être écrit comme fonction de la distribution des données observées, et seulement alors, il choisit un estimateur pour cette fonction.

Comment ça marche

Une question causale définit l'intervention, la population cible, les résultats et l'horizon temporel. L'affectation aléatoire peut équilibrer les causes connues et inconnues en moyenne. Dans les données d'observation, l'ajustement, l'appariement, la pondération, les variables instrumentales ou les conceptions quasi expérimentales tentent de reconstruire une comparaison valide en bloquant les chemins non causaux sans conditionner les variables qui introduitnt un biais de sélection.

Méthodes de mesure et de recherche

Les essais randomisés évaluent les effets intentionnels de traiter en fonction des règles d'adhésion et de manque à l'avance fixées. Les études d'observation utilisent des estimateurs normalisés, de pondération inverse, assortis ou doublement robustes après avoir défini un ensemble de réglage admissible. Les conceptions instrumentales-variables, de régression-discontinuité et de différence exploitent des sources spécifiques de variation quasi aléatoire, chacune comportant des hypothèses distinctes d'exclusion, de continuité ou de tendance parallèle. Les diagnostics examinent le chevauchement, l'équilibre covariable et la dépendance du modèle, tandis que les témoins négatifs et les tests placebo sondent certains modes d'échec. Les intervalles de confiance tiennent compte de la variation de l'échantillonnage, mais ne comprennent pas automatiquement l'incertitude au sujet du graphique causal ou de la confusion non mesurée.

Idées clés

• L'association ne devient une preuve causale que par des hypothèses liées à un concept défendable.
• Un graphique acyclique dirigé peut exposer les confondateurs, les médiateurs et les collisions avant le début de la modélisation.
• L'analyse de sensibilité devrait quantifier la façon dont le biais non mesuré pourrait modifier la conclusion.

Frontière actuelle de la recherche

La recherche actuelle combine l'apprentissage par machine flexible avec des scores orthogonaux, l'apprentissage ciblé et l'adaptation croisée, de sorte que les modèles de nuisance peuvent être complexes sans dominer l'inférence des effets sur le traitement. Les méthodes à effet hétérogène estiment que les avantages et les méfaits varient selon les groupes, mais la découverte de sous-groupes nécessite un contrôle de la multiplicité et une validation externe. Les méthodes de transport officialisent la question de savoir si les résultats des essais s'appliquent à une nouvelle population, tandis que les recherches de découverte causale pour la structure des graphiques selon des hypothèses sont rarement parfaitement satisfaites. Les frontières importantes comprennent l'interférence dans les réseaux, les régimes de traitement dynamiques, les confusions longitudinales et les analyses de sensibilité qui indiquent à quel point une cause commune omise doit être d'inverser une décision.

Pourquoi ça compte

Des estimations de causalité fiables guident la médecine, les politiques publiques, l'éducation et les décisions de produits lorsque la prédiction ne permet pas à elle seule de déterminer l'effet d'une action. Le cadre rend également les désaccords vérifiables en séparant les quantités étayées par des données des hypothèses.

Limites et questions ouvertes

Les effets causaux ne peuvent pas être transportés entre les populations, les périodes ou les conditions de mise en oeuvre. Les violations de la position, l'interférence entre les unités, l'erreur de mesure et la confusion non mesurée peuvent rendre un estimand faiblement identifié ou impossible à récupérer des données disponibles.