On cherche à estimer un effet causal :
quelle est la différence entre ce qu’on observe et ce qui se serait passé sans intervention ?
Problème : on n’observe jamais les deux à la fois → il faut reconstruire un contrefactuel.
Les méthodes fondamentales sont différentes façons de s’en approcher.
🧪 A/B testing (expérimentation)#
Idée : on crée nous-mêmes le contrefactuel via la randomisation.
on assigne aléatoirement :
- groupe traité (A)
- groupe contrôle (B)
la randomisation garantit (en moyenne) que les groupes sont comparables
👉 Effet causal estimé : \[ \mathbb{E}[Y \mid T=1] - \mathbb{E}[Y \mid T=0] \]
Hypothèse clé :
- la randomisation est bien faite (pas de biais de sélection)
Forces :
- méthode la plus fiable
- interprétation directe
Limites :
- parfois impossible (coût, éthique, contraintes produit)
- effet mesuré dans un contexte spécifique (validité externe)
🤝 Matching#
Idée : on reconstruit un groupe contrôle comparable a posteriori.
- pour chaque individu traité, on cherche un “jumeau” non traité
- similarité basée sur des variables observées (âge, historique, comportement…)
👉 On compare ensuite les outcomes entre “pairs” similaires.
Hypothèse clé :
- pas de variables confondantes non observées (selection on observables)
Forces :
- utilisable sur données observationnelles
- intuitif
Limites :
- dépend fortement des variables disponibles
- ne corrige pas les biais cachés
📉 Regression adjustment#
Idée : on modélise la relation entre traitement et outcome en contrôlant les variables.
Exemple : \[ Y = \beta_0 + \beta_1 T + \beta_2 X + \epsilon \]
- \(T\) : traitement
- \(X\) : variables de contrôle
👉 \(\beta_1\) est interprété comme effet causal (sous conditions)
Hypothèse clé :
- modèle bien spécifié
- toutes les variables confondantes sont incluses
Forces :
- flexible
- facile à implémenter
Limites :
- très sensible aux erreurs de modélisation
- extrapolation dangereuse (zones sans données)
🧠 Ce qu’il faut vraiment retenir#
Ces méthodes diffèrent, mais reposent toutes sur la même idée :
rendre les groupes comparables pour isoler l’effet du traitement
- A/B testing → comparabilité par design
- Matching → comparabilité par construction
- Regression → comparabilité par modélisation
Et surtout :
👉 dès qu’il y a des variables confondantes non observées, tout devient fragile.
