Expérimentation, inférence statistique et analyse causale

Fiche du document

Date

2004

Discipline
Type de document
Périmètre
Langue
Identifiant
Source

Intellectica

Collection

Persée

Organisation

MESR

Licence

Copyright PERSEE 2003-2023. Works reproduced on the PERSEE website are protected by the general rules of the Code of Intellectual Property. For strictly private, scientific or teaching purposes excluding all commercial use, reproduction and communication to the public of this document is permitted on condition that its origin and copyright are clearly mentionned.


Résumé En Fr

Experimentation, statistical inference and causal analysis. The causal analysis of «randomised » experimental data (treatments are randomly assigned to each experimental unit) is considered here. The contributions of some founders of statistical inference are briefly examined. Recent works, and especially Pearl's graphical structural models, are then considered. These models include counterfactual analyses, graphical models, structural equations models. Most of these models are based on a counterfactual approach (involving potential response : «if another treatment had been allocated to the experimental unit. . . ») to causal inference. In a provocative article, Dawid (2000) argues that this approach is essentially metaphysical, and full of temptations to make inferences that cannot be justified on the basis of empirical data. Regarding graphical structural models, Dawid' s major criticism is that «latent variables » involved in such models are not genuine concomitant variables (measurable variables, that can be assumed unaffected by the treatment applied) and that there is no way, even in principle, of verifying the assumptions made -which will nevertheless affect the ensuing inferences. Dawid terms these models pseudodeterministic and regards them as unscientific. The arguments and solutions are reviewed and discussed.

On se situe dans le cadre de l'analyse causale de données d'expériences «randomisées » (les traitements sont affectés à chaque unité expérimentale par tirage au sort). Les apports de quelques fondateurs de l'inférence statistique sont rapidement examinés. On considère ensuite les travaux récents, et notamment ceux sur les modèles graphiques structuraux de Pearl, qui visent à unifier sous une interprétation unique un certain nombre d'approches, incluant notamment les analyses contrefactuelles, les modèles graphiques, les modèles d'équations structurelles. La plupart de ces travaux reposent sur une approche contrefactuelle (invoquant des résultats potentiels : «si un autre traitement avait été affecté à l'unité expérimentale... » de l'inférence causale. Dans un article provocateur, Dawid (2000) soutient que cette approche est essentiellement métaphysique, et pleine de tentations de faire des inférences qui ne peuvent pas être justifiées sur la base de données empiriques. Concernant plus particulièrement les modèles graphiques structuraux, la critique de Dawid est que les «variables latentes » en jeu dans de tels modèles ne sont pas de véritables variables concomitantes (variables mesurables, qui peuvent être supposées non affectées par le traitement appliqué) et qu'il n'y a alors aucun moyen, même en principe, de vérifier les suppositions («assomptions ») faites -qui affecteront néanmoins les inférences qui en découlent. Dawid qualifie en conséquence ces modèles de pseudo-déterministes et les considère comme non scientifiques. Les différents arguments et les solutions proposées sont examinés et discutés.

document thumbnail

Par les mêmes auteurs

Sur les mêmes sujets

Sur les mêmes disciplines

Exporter en