Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
Diagramme acyclique dirigé (DAG)
Représentation graphique des relations causales entre variables où les nœuds représentent les variables et les arêtes orientées indiquent l'influence causale directe sans cycle possible.
Effet de traitement moyen (ATE)
Différence moyenne attendue entre les résultats potentiels avec et sans traitement sur l'ensemble de la population, mesure fondamentale de l'impact causal en évaluation d'intervention.
Analyse de médiation
Méthode causal décomposant l'effet total d'un traitement en effet direct et effet indirect à travers des variables intermédiaires (médiateurs) pour comprendre les mécanismes d'action.
Modèle de causalité de Rubin
Cadre théorique basé sur les résultats potentiels (potential outcomes) où chaque unité possède des résultats contrefactuels pour chaque état de traitement, fondement de l'inférence causale moderne.
Méthode de régression discontinu
Design quasi-expérimental exploitant des seuils d'éligibilité pour estimer les effets causaux locaux en comparant les unités juste de part et d'autre du point de coupure.
Score causal
Fonction résumant l'information nécessaire pour l'ajustement du biais de confusion, généralisation du propensity score incluant des informations sur les relations causales entre variables.
Causalité de Pearl
Approche de la causalité basée sur les graphes acycliques dirigés et le do-calculus, permettant une représentation formelle des connaissances causales et du raisonnement contrefactuel.
Effet de traitement moyen conditionnel (CATE)
Effet causal moyen conditionné à des caractéristiques spécifiques des unités, permettant d'identifier des hétérogénéités dans les effets de traitement pour personnaliser les interventions.
Critère de front-door
Stratégie d'identification causale utilisant un médiateur observable bloquant tout chemin entre traitement et résultat, permettant l'estimation causale même en présence de confusion non mesurée.
Test de randomisation
Validation expérimentale de relations causales par allocation aléatoire du traitement, éliminant systématiquement les biais de confusion et fournissant la preuve causale la plus robuste.