Inférence causale

Un article de Wikipédia, l'encyclopédie libre.

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]

Revues[modifier | modifier le code]

Notes et références[modifier | modifier le code]

  1. Pearl et Mackenzie 2019.
  2. (en) Paul W. Holland, « Statistics and causal inference », Journal of the American Statistical Association, vol. 81, no 396,‎ , p. 945-960.
  3. (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).

Articles connexes[modifier | modifier le code]