Résumé
Un modèle causal décrit la distribution de chaque variable X comme une fonction des variables causes de X, et d'un bruit indépendant (qui représente les autres facteurs inconnus influençant X – les « known unknowns »).
Un modèle causal échappe aux défauts de robustesse des modèles fondés sur les corrélations entre variables. Il permet aussi d'aider la prise
de décision, en prédisant les effets des interventions (que devient l'état d'un système si on intervient sur son fonctionnement ?) et en faisant du raisonnement contrefactuel (que serait devenu le système, si on avait fait l'intervention A au lieu de B ?)
L'exposé présente la modélisation causale : la voie royale (essais randomisés contrôlés) et les approches permettant d'inférer un modèle à partir de données.
