Get Adobe Flash player

Modèle causal francais

Les sociologues appelés modèles causaux modélisation d`équation structurelle, mais une fois qu`il est devenu une méthode de Rote, il a perdu son utilité, conduisant certains praticiens à rejeter toute relation à la causalité. Les économistes ont adopté la partie algébrique de l`analyse des chemins, en l`appelant modélisation d`équations simultanées. Cependant, les économistes évitent toujours d`attribuer un sens causal à leurs équations. [3] le programme décrit dans cette section a fait beaucoup pour éclairer la relation entre la causalité et la probabilité. En particulier, elle nous a aidés à mieux comprendre la manière dont la structure causale peut donner lieu à des relations probabilistes de dépistage. Cependant, malgré le cadre mathématique du programme, et les points de contact avec les statistiques et la méthodologie expérimentale, ce programme n`a pas donné lieu à de nouveaux outils de calcul, ou suggérer de nouvelles méthodes pour détecter les relations causales. Pour cette raison, le programme a été largement supplanté par les outils de modélisation causale décrits dans la section suivante. Un certain nombre d`auteurs ont tenté de fournir des analyses probabilistes du lien de causalité réel. Certains, comme Eells (1991: chapitre 6), KVART (1997, 2004) et Glynn (2011), sont attentifs à la façon dont les probabilités changent au fil du temps. Certains, tels que Dowe (2004) et Schaffer (2001), combinent les probabilités avec les ressources d`une théorie du processus de causalité. Certains, comme Lewis (1986b), Menzies (1989) et Noordhof (1999), emploient des probabilités avec des contrefactuels pour analyser le lien de causalité réel. Et d`autres comme Beckers & vennekens (2016), Fenton-Glynn (2017), Halpern (2016: section 2,5), Hitchcock (2004a), et twardy & Korb (2011) emploient des outils de modélisation causale semblables à ceux décrits dans la section 3.

Nous décrirons deux de ces théories — Lewis (1986b) et Fenton-Glynn (2017) — plus en détail dans les articles 4,3 et 4,4 ci-dessous. La discussion de la section précédente traduit une partie de la complexité du problème de l`infroisage des relations de causalité des corrélations probabilistes. Assez récemment, un certain nombre de techniques ont été développées pour représenter les systèmes de relations causales, et pour infrorer les relations de causalité des probabilités. Le nom de «modélisation causale» est souvent utilisé pour décrire le nouveau champ interdisciplinaire consacré à l`étude des méthodes d`inférence de causalité. Ce champ comprend les contributions des statistiques, de l`intelligence artificielle, de la philosophie, de l`économétrie, de l`épidémiologie et d`autres disciplines. Dans ce domaine, les programmes de recherche qui ont attiré le plus grand intérêt philosophique sont ceux de l`informaticien Judea Pearl et de ses collaborateurs, et des philosophes Peter SPIRTES, Clark Glymour, et Richard Scheines (SGS) et leurs Collaborateurs. Les œuvres les plus significatives de ces auteurs sont Pearl (2009) (publiée pour la première fois en 2000), et SPIRTES et coll. (2000) (publiée pour la première fois en 1993). Le calcul de do est l`ensemble des manipulations qui sont disponibles pour transformer une expression en une autre, avec l`objectif général de transformer des expressions qui contiennent l`opérateur do dans des expressions qui ne le font pas.

Les expressions qui n`incluent pas l`opérateur do peuvent être estimées à partir de données observationnelles seules, sans qu`il soit nécessaire d`effectuer une intervention expérimentale, qui pourrait être coûteuse, longue ou même contraire à l`éthique (par exemple, demander aux sujets de prendre le tabagisme). [3]: 231 l`ensemble des règles est complet (il peut être utilisé pour dériver toutes les vraies déclarations dans ce système). [3]: 237 un algorithme peut déterminer si, pour un modèle donné, une solution est calculable en temps polynôme. [3]: 238 la modélisation causale est un domaine de recherche en plein essor.

Categories