L’inférence causale, à l’interface de la statistique, de la conception des études et de l’épistémologie, est la science de l’apprentissage d’effets à partir de données et de connaissances de base. D’une importance fondamentale dans de nombreux domaines, notamment en épidémiologie, économie, science politique, psychologie, science clinique, ingénierie et sciences sociales, l’enseignement de la théorie de l’inférence causale et des méthodes statistiques suscite un intérêt croissant dans de nombreuses unités universitaires.

Contrairement à la statistique plus traditionnelle, l’inférence causale se fonde principalement sur des hypothèses non statistiques afin d’effectuer des déductions. Des systèmes entiers de notation et de conventions graphiques ont été développés pour produire le cadre dans lequel l’analyse statistique peut être planifiée. En outre, une vaste littérature de méthodes statistiques (dites « causales ») a été développée pour traiter les éléments purement quantitatifs de l’inférence causale. Par conséquent, relayer les idées de base de l’inférence causale en termes simples peut sembler ardu.

Dans cet atelier, nous présenterons et expliquerons les éléments de l’inférence causale que nous enseignons et que nous avons trouvés les plus pertinents pour un cours avancé de premier ou de deuxième cycle, ainsi que les exercices qui les accompagnent. Nous nous attacherons à expliquer comment ces éléments sont interconnectés et à donner une vue d’ensemble de la manière dont la causalité peut être abordée dans la planification et l’analyse d’une étude. Ces éléments sont les suivants :

•    Théorie, notation et paramètres contrefactuels
•    Identifiabilité des paramètres causaux/contrefactuels par le biais d’estimandes statistiques
•    Graphes acycliques dirigés et leur rôle dans l’identifiabilité
•    Interface entre la conception de l’étude (par exemple, essais contrôlés randomisés, études pseudo-expérimentales, études d’observation, émulation d’essais ciblés) et l’identifiabilité des paramètres
•    Feuille de route de l’apprentissage ciblé
•    Estimation statistique des paramètres contrefactuels, y compris des modèles structurels marginaux (régression, pondération de la probabilité inverse de traitement, calcul G)
•    Cadres semi-paramétriques (y compris estimation ciblée du maximum de vraisemblance) et intégration de l’apprentissage automatique
•    Identifiabilité alternative par des méthodes de variables instrumentales
•    Aperçu de sujets plus avancés tels que l’analyse de la médiation et les traitements longitudinaux.

Nous discuterons également de la manière de cibler votre matériel de cours en fonction de votre public et de certaines approches en matière d’évaluation.

Conditions préalables à l’atelier : Intérêt pour l’inférence causale, compréhension de la théorie et des méthodes statistiques de base, régression linéaire généralisée.