Séance de cours

Inférence causale : ensembles d'ajustement

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Dans cours

MGT-416: Causal inference

Students will learn the core concepts and techniques of network analysis with emphasis on causal inference. Theory and application will be balanced, with students working directly with network data throughout the course. ...

Description

Cette séance de cours couvre le concept d'ensembles d'ajustement dans l'inférence causale, en se concentrant sur les paramètres d'observation et d'intervention. Il explique les conditions de validité des jeux d'ajustements et des jeux d'ajustements candidats, en soulignant l'importance de l'ajustement des parents. L'instructeur discute du critère de la porte dérobée et de son application pour identifier les ensembles d'ajustement valides.

Enseignant·e

Negar Kiyavash

Enseignement et PhD Doctorant·es actuel·les Mohammad Shahverdikondori, Badri Mohammad Reza, Arefe Boushehrian, Sepehr Elahi, Mohammadsadegh Khorasani, Mohammadsaeed Masiha, Amir Mohammad Aboueimehrizi A dirigé les thèses EPFL de Sina Akbari, Ehsan Mokhtarian, Yaroslav Kivva, Fateme Jamshidi Cours Causal inference MGT-416 Les étudiants apprendront les concepts et techniques de base de l'analyse de réseau en mettant l'accent sur l'inférence causale. Théorie et l'application sera équilibrée,

Source officielle

Concepts associés (8)

Causal model

In the philosophy of science, a causal model (or structural causal model) is a conceptual model that describes the causal mechanisms of a system. Several types of causal notation may be used in the development of a causal model. Causal models can improve study designs by providing clear rules for deciding which independent variables need to be included/controlled for. They can allow some questions to be answered from existing observational data without the need for an interventional study such as a randomized controlled trial.

Inférence causale

L'inférence causale est le processus par lequel on peut établir une relation de causalité entre un élément et ses effets. C'est un champ de recherche à la croisée des statistiques, de l'économétrie, de l'épidémiologie, de la méthodologie politique et de l'intelligence artificielle. En 1920, Sewall Wright développe la première path analysis. Cette analyse graphique des relations de causalité entre les variables constitue selon Judea Pearl un travail pionnier dans l'inférence causale.

Modèle causal de Neyman-Rubin

Le modèle causal de Neyman-Rubin (ou modèle à résultats potentiels, en anglais potential outcome model) est un cadre de pensée permettant d'identifier statistiquement l'effet causal d'une variable sur une autre. La première version du modèle a été proposée par Jerzy Neyman en 1923 dans son mémoire de maîtrise. Le modèle a ensuite été généralisé par Donald Rubin dans un article intitulé « ». Le nom du modèle a été donné par Paul Holland dans un article de 1986 intitulé « ». Expérience naturelle Méthode des

Causalité

vignette|Exemple classique de la chute d'un domino causé par la chute d'un autre. En science, en philosophie et dans le langage courant, la causalité désigne la relation de cause à effet. la cause, corrélat de l'effet, c'est . C'est ce qui produit l'effet ; la causalité est le . Autrement dit, la causalité est l'influence par laquelle un événement, un processus, un état ou un objet (une cause) contribue à la production d'un autre événement, processus, état ou objet (un effet) considéré comme sa conséquence.

Méthode d'observation participante

La méthode d'observation participante est une méthode couramment utilisée lors de travaux de recherche ethnographiques effectué dans des disciplines telles que l'anthropologie culturelle, la sociologie, ou encore le journalisme d'investigation. Selon Alain Touraine cette méthode vise à atteindre . L'idée apparaissait déjà en 1800, à l'époque des grands voyages d'exploration scientifique dans l'esprit de Joseph-Marie de Gérando qui écrivait dans un ouvrage publié par la société des observateurs de l'homme : ; et c'est en apprenant leur langue qu'on deviendra leur concitoyen.

Afficher plus

Séances de cours associées (26)

Effets causaux Bounds: Paramètres de sensibilité sur l'échelle des différences de risque

Étudier les limites des effets causaux en utilisant des paramètres de sensibilité à l'échelle de la différence de risque, en abordant les limites et en proposant de nouvelles approches.

Inférence causale : Estimands et Ontologies

Examine l'inférence causale, en soulignant l'importance de s'engager dans une ontologie pour tirer des inférences causales et choisir des estimands appropriés.

Inférence causale : Comprendre les effets du traitement

Examine les effets du traitement, les variables confusionnelles et les difficultés d'interprétation des résultats des études d'observation.

Région de convergence : Pôle unique

Couvre le concept de Région de Convergence pour les signaux à pôles simples.

Inférence causale : Comprendre les associations et les effets

Examine la distinction entre association et lien de causalité dans l'analyse statistique, en soulignant les limites de l'association dans l'inferration de lien de causalité.

Afficher plus

Concepts associés (8)

Causal model

Inférence causale

Modèle causal de Neyman-Rubin

Causalité

Méthode d'observation participante

Afficher plus