AI 詞彙表
人工智能完整詞典
Hétérogénéité du Traitement Causal (CATE)
Mesure de la variation de l'effet causal d'un traitement à travers les individus ou sous-groupes de la population, visant à personnaliser les décisions en fonction de l'effet attendu pour chaque unité.
Collier de Pearl
Structure dans un graphe causal où une variable est un cause commune de deux autres variables, créant une association non causale qui doit être bloquée pour une inférence correcte.
Fork Causal
Structure où une seule variable cause deux autres variables, induisant une corrélation entre elles ; cette corrélation est non causale et disparaît si l'on conditionne sur la cause commune.
Biais de Survivor
Erreur de logique où l'on se concentre sur les sujets ou entités ayant passé un processus de sélection, ignorant ainsi ceux qui n'ont pas survécu, ce qui fausse les conclusions causales.
Régression sur la Discontinuité
Design quasi-expérimental qui identifie les effets causaux en comparant les observations juste en dessous et juste au-dessus d'un seuil de traitement déterminé de manière exogène.
Différences de Différences (DiD)
Technique statistique qui estime l'effet d'un traitement en comparant le changement des moyennes au fil du temps entre un groupe de traitement et un groupe de contrôle.
Découplabilité Causale
Principe selon lequel un système peut être compris en le décomposant en modules autonomes, dont les relations internes ne sont pas affectées par des interventions externes sur d'autres modules.