On sort ici des méthodes simples (A/B tests, matching) pour traiter des situations plus réalistes : pas de randomisation, données imparfaites, biais potentiels.
L’objectif reste le même : estimer un effet causal crédible malgré ces contraintes.
Diff-in-Diff (Difference-in-Differences)#
👉 On compare l’évolution dans le temps entre un groupe traité et un groupe de contrôle.
- idée : regarder la différence des différences
- hypothèse clé : tendances parallèles
👉 Intuition :
“Sans traitement, les deux groupes auraient évolué de la même manière”
✔️ Cas typiques :
- impact d’une promo
- changement de prix dans certaines régions
- rollout progressif d’une feature
⚠️ Risque principal :
- violation des tendances parallèles
Synthetic Control#
👉 On construit un “groupe de contrôle artificiel” comme combinaison d’autres unités.
- utile quand on a un seul groupe traité (ex : un pays, une ville)
👉 Intuition :
“On reconstruit ce qui se serait passé sans intervention”
✔️ Cas typiques :
- politique publique
- ouverture d’un magasin
- campagne marketing majeure
⚠️ Risque :
- mauvais matching → contrefactuel peu crédible
Instrumental Variables (IV)#
👉 On utilise une variable externe (instrument) qui influence le traitement mais pas directement l’outcome.
👉 Intuition :
“On exploite une variation quasi-aléatoire du traitement”
✔️ Exemple classique :
- distance géographique
- règles administratives
- variation exogène
⚠️ Hypothèses fortes :
- validité de l’instrument (exclusion restriction)
👉 Si l’instrument est mauvais → résultats biaisés
Double Machine Learning (Double ML)#
👉 On combine machine learning + causalité pour corriger les biais.
on modélise :
- le traitement
- l’outcome
puis on “retire” ces effets pour isoler le causal
👉 Intuition :
“On utilise le ML pour mieux contrôler les variables confondantes”
✔️ Utile quand :
- beaucoup de variables
- relations non linéaires
⚠️ Risque :
- croire que le ML “fait la causalité tout seul” (faux)
Causal Forests#
👉 Extension des random forests pour estimer des effets causaux hétérogènes.
- on ne cherche plus un effet moyen
- mais qui est impacté, et combien
👉 Intuition :
“L’effet n’est pas le même pour tout le monde”
✔️ Cas typiques :
- ciblage marketing
- personnalisation
- uplift modeling
⚠️ Risque :
- interprétation difficile
- nécessite beaucoup de données
🧠 À retenir#
- Ces méthodes existent parce que le monde réel est imparfait
- Chaque méthode repose sur des hypothèses fortes
- Le vrai travail n’est pas de choisir une méthode, mais : 👉 de comprendre si ses hypothèses sont crédibles
👉 En pratique :
une bonne stratégie d’identification > une méthode sophistiquée
