AI 용어집
인공지능 완전 사전
Variables de confusion
Variables qui influencent simultanément la variable de traitement et la variable de résultat, créant une association spurious entre elles qui doit être contrôlée pour estimer l'effet causal.
Do-calculus de Pearl
Ensemble formel de règles d'inférence développées par Judea Pearl permettant de calculer les effets causaux à partir de graphes causaux et de distributions observables.
Critère de backdoor
Condition suffisante pour identifier les effets causaux dans un DAG spécifiant quel ensemble de variables doit être conditionné pour bloquer tous les chemins non causaux entre traitement et résultat.
Effet de traitement moyen conditionnel (CATE)
Effet causal hétérogène qui varie selon les caractéristiques des sous-groupes de population, permettant une personnalisation des interventions basée sur les covariables.
Modèles causaux structurels
Formalismes mathématiques combinant équations structurelles et graphes pour représenter les mécanismes causaux sous-jacents générant les données observées.
Méthodes de pondération
Approches utilisant des poids basés sur les propensity scores pour créer une pseudo-population où le traitement est indépendant des covariables observées.