Causal Inference

L’inférence causale (Causal Inference) regroupe les méthodes statistiques et économétriques permettant d’identifier et d’estimer les effets d’une intervention, d’une décision ou d’une politique.

Contrairement à la modélisation prédictive, qui cherche principalement à anticiper un résultat, l’inférence causale cherche à comprendre ce qui se serait passé en l’absence d’une intervention.

Ce mémo rassemble les principaux concepts théoriques, les méthodes d’estimation et leurs applications à la prise de décision.

🧱 Fondations

#

• Bases de la causalité (corrélation, causalité, DAGs, variables confondantes)
• Processus générateur des données (DGP, mécanismes causaux, dépendances)
• Résultats potentiels et contrefactuels (Rubin Causal Model, ATE, ATT)
• Identification causale (hypothèses, biais de sélection, backdoor criterion, positivité)
• Découverte causale (causal discovery, indépendance conditionnelle, limites)

🔬 Méthodes d’inférence causale

#

• Méthodes fondamentales (A/B testing, randomisation, matching)
• Méthodes avancées (Difference-in-Differences, variables instrumentales, causal forests)
• Données observationnelles (stratégie d’identification, hypothèses, robustesse)
• Régression sur discontinuité (Regression Discontinuity Design)
• Contrôle synthétique (Synthetic Control Method)
• Conception des expérimentations (power analysis, MDE, non-infériorité, geo-experiments)
• Données de panel et effets fixes (fixed effects, TWFE, variation intra-individuelle)
• Difference-in-Differences moderne (staggered DiD, event studies, Callaway-Sant’Anna)

⏱️ Causalité temporelle et longitudinale

#

• Causalité longitudinale (time-varying confounders, g-methods)
• Séries temporelles interrompues (Interrupted Time Series, intervention analysis)
• Causal Impact (modèles structurels bayésiens, contrefactuels temporels)
• Effets dynamiques et retardés (distributed lag models, event studies)

🧠 Machine Learning causal

#

• Estimation des effets hétérogènes (CATE, HTE, uplift modeling)
• Double Machine Learning (orthogonalisation, cross-fitting)
• Évaluation des politiques (policy evaluation, policy learning)
• Outils pratiques (DoWhy, EconML, grf, CausalML)

⚖️ Validation et robustesse

#

• Hypothèses d’identification et diagnostics (overlap, équilibre des covariables)
• Analyses de sensibilité (confounding non observé, falsification, placebo tests)
• Incertitude et inférence statistique (intervalles de confiance, bootstrap, tests)
• Validité externe et transportabilité des effets

💼 Applications business et prise de décision

#

• Impact et décisions (marketing, pricing, product changes)
• Interprétation business (explicabilité, transformation des résultats)
• Évaluation des interventions (promotions, campagnes marketing, changements de prix)
• Allocation et optimisation des décisions (ciblage, politiques, ressources)
• Communication des résultats causaux (interprétation, limites, recommandations)

Références diverses

#

• Causal Inference: The Mixtape — Scott Cunningham
• Causal Inference: What If — Hernán & Robins
• The Effect — Nick Huntington-Klein
• An Introduction to Causal Inference — Judea Pearl
• Applied Causal Inference Masterclass — Quentin Gallea & Matheus Facure
• Causal Inference for the Brave and True — Matheus Facure