Identification causale avec les graphes acycliques dirigés (do-calculus)
L'identification causale par graphes acycliques dirigés (DAG) est un cadre, développé par Judea Pearl (2009), qui encode les hypothèses causales sous forme de graphe acyclique dirigé et utilise les règles du do-calculus pour déterminer si et comment un effet causal peut être identifié à partir de données observationnelles. Il gère systématiquement les facteurs de confusion, les variables instrumentales et les chemins de "backdoor".
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- Pearl, J. (2009). Causality: Models, Reasoning, and Inference (2nd ed.). Cambridge University Press. ISBN: 978-0521895606
- Pearl, J., Glymour, M., & Jewell, N. P. (2016). Causal Inference in Statistics: A Primer. Wiley. ISBN: 978-1119186847
Comment citer cette page
ScholarGate. (2026, June 1). Causal Identification with Directed Acyclic Graphs (do-calculus). ScholarGate. https://scholargate.app/fr/causal-inference/dag-identification
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Méthode des variables instrumentales (VI) pour l'inférence causaleÉconomie de la santé↔ compare
- Pondération par l'inverse de la probabilité de traitement (IPW / IPTW)Inférence causale↔ compare
- Analyse de médiationStatistique↔ compare
- Appariement par score de propensionStatistiques de recherche↔ compare
- Analyse de sensibilité au biais caché (Bornes de Rosenbaum / E-value)Inférence causale↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →