Bruno LECOUTRE

Expérimentation, inférence statistique et analyse causale, Pages 193-245

Resumé: 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.

Abstract: