Causalité

Langue
d'enseignement

Français

Préalables

Concepts et outils équivalents à ceux enseignés dans les UEs :

• LSTAT2120 Linear models
• LSTAT2190 Vecteurs aléatoires : modélisation et traitement
• LDATS2030 Programmation et data reporting en R

Thèmes abordés

Le cours vise à introduire aux étudiants les deux principales approches de la causalité en statistique moderne. D’une part, l'approche graphique, fondée sur les graphes orientés acycliques de Pearl, qui permet de représenter explicitement les relations causales, de formaliser les hypothèses d’indépendance conditionnelle et de dériver des critères d’identification. D’autre part, l'approche des expériences et des effets de traitement, c'est-à-dire le modèle des résultats potentiels de Neyman-Rubin, qui fournit un cadre rigoureux pour définir et estimer des effets causals à partir d’expériences randomisées ou de données observationnelles.

Acquis
d'apprentissage

A la fin de cette unité d’enseignement, l’étudiant est capable de :

A la fin de cette unité d’enseignement, l’étudiant est capable de : A. Eu égard au référentiel AA du programme de master en statistique, orientation générale, cette activité contribue au développement et à l'acquisition des AA suivants, de manière prioritaire : 1.3, 1.4, 1.5, 3.2, 3.3 Eu égard au référentiel AA du programme de master en statistique, orientation biostatistique, cette activité contribue au développement et à l'acquisition des AA suivants, de manière prioritaire : 1.3, 1.4, 1.5, 3.2, 3.3 B. Au terme du cours les étudiants auront acquis les connaissance fondamentales des principes de causalité

Contenu

Les thèmes abordés dans ce cours sont :

• les graphes orientés acycliques (DAGs) et les concepts fondamentaux associés (indépendance conditionnelle, chemins causaux, …), les modèles causaux structurels et le « do-calculus » de Pearl
• le cadre des résultats potentiels, les expériences randomisées vs les études observationnelles, et les méthodes d’inférence causale adaptées à ces contexte.

Les concepts seront illustrés par des exemples provenant d'une grande variété de domaines, notamment

• Médecine (e.g. essais cliniques randomisés sur les effets d'un nouveau médicament)
• Santé publique (e.g. études observationnelles sur les effets du tabagisme)
• Marketing (e.g. identification des clients à cibler pour maximiser les ventes)
• Économie (e.g. évaluation  de l’impact de politiques publiques sur l'inflation)
• Climat (e.g.  impact de l'augmentation des émissions de CO2 sur les événements climatiques extrêmes)

Méthodes d'enseignement

Séances du cours magistral (7) complétés par 2 TPs (exercices théoriques et sur ordinateur).

Modes d'évaluation
des acquis des étudiants

Examen écrit en session.

Bibliographie

Slides sur Moodle (exemples et démonstrations au tableau lors du cours magistral).

• Hernán & Robins (2025). Causal inference : What If. Chapman & Hall /CRC.
• Pearl, Glymour & Jewell (2016). Causal inference in Statistics : a primer. Wiley.
• Peters, Janzing & Schölkopf (2017). Elements of Causal Inference. MIT Press.

Faculté ou entité
en charge

> LSBA