Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
DAG (Directed Acyclic Graph)
Représentation graphique des relations causales où les nœuds sont des variables et les arêtes orientées indiquent des relations de cause à effet sans cycles fermés.
Randomisation par blocs
Méthode expérimentale où les sujets sont regroupés en blocs homogènes avant l'assignation aléatoire du traitement, réduisant la variabilité et augmentant la puissance statistique.
Variable instrumentale
Variable corrélée avec le traitement mais non directement avec l'outcome, utilisée pour identifier l'effet causal en présence de variables de confusion non observées.
Critère de back-door
Condition suffisante pour identifier un effet causal en ajustant sur un ensemble de variables qui bloquent tous les chemins non causaux entre traitement et outcome.
Critère de front-door
Alternative au critère back-door permettant l'identification causale lorsqu'il existe un médiateur observable bloquant tous les chemins directs entre traitement et outcome.
Equivalence de Markov
Principe établissant que les indépendances conditionnelles observées dans les données correspondent aux séparations dans le graphe causal représentant le processus générateur.
Effet traitement moyen (ATE)
Différence moyenne attendue entre les résultats potentiels avec et sans traitement sur l'ensemble de la population, mesure fondamentale de l'effet causal.
Effet traitement moyen sur les traités (ATT)
Effet causal moyen calculé spécifiquement sur la sous-population ayant effectivement reçu le traitement, pertinent pour l'évaluation de politiques publiques.
Méthode de différence des différences
Stratégie d'identification quasi-expérimentale comparant les changements dans les résultats avant et après traitement entre groupes traitement et contrôle.
Régression à discontinuité
Méthode d'identification causale exploitant les seuils de traitement où l'assignation du traitement change brusquement mais les autres facteurs varient continûment.
Inférence causale structurelle
Paradigme d'analyse causale basé sur des modèles structurels explicites des relations entre variables, permettant de distinguer corrélation de causalité.
Modèle causal structural
Formalisation mathématique des mécanismes causals sous-jacents décrivant comment les variables génèrent d'autres variables, fondement de l'analyse causale moderne.
Potentiel de résultat
Cadre conceptuel définissant pour chaque unité les résultats potentiels sous chaque niveau de traitement, même si un seul est observable en pratique.