Inférence causale et estimation des effets à l'aide de données observationnelles

Les études observationnelles visant à estimer des effets causaux reposent souvent sur des cadres conceptuels qui sont peu familiers à de nombreux chercheurs et praticiens. Nous fournissons un aperçu clair et structuré des concepts et termes clés, destiné à servir de point de départ pour les lecteurs non familiers avec la littérature sur l'inférence causale. Premièrement, nous introduisons les cadres théoriques sous-jacents aux méthodes d'estimation des effets causaux : la théorie contrefactuelle de la causalité, le cadre des résultats potentiels, les équations structurelles et les graphes acycliques dirigés. Deuxièmement, nous définissons les estimands d'effet causal les plus courants, ainsi que les questions relatives à la modification de la mesure de l'effet, à l'interaction et à la médiation (effets directs et indirects). Troisièmement, nous définissons les hypothèses requises pour estimer les effets causaux : échangeabilité, positivité, cohérence et non-interférence. Quatrièmement, nous définissons et expliquons les biais qui surviennent lors de la tentative d'estimation des effets causaux, notamment la confusion, le biais de collier, le biais de sélection et le biais de mesure. Enfin, nous décrivons les méthodes et les designs d'études courants pour l'estimation des effets causaux, notamment l'ajustement sur des covariables, les méthodes G et les méthodes d'expériences naturelles.