Inférence Causale
L'inférence causale est la branche de l'épidémiologie et de la biostatistique qui s'intéresse à la détermination du moment où une association observée entre une exposition et un résultat reflète une véritable relation de cause à effet plutôt que le hasard, un biais ou un facteur de confusion. Elle fournit les cadres conceptuels, les outils graphiques et les méthodes analytiques qui permettent aux chercheurs de formuler précisément des questions causales et de juger si les données disponibles peuvent y répondre.
Definition
L'inférence causale est l'ensemble des cadres formels et des méthodes utilisés pour définir les effets causaux, énoncer les hypothèses sous lesquelles ils peuvent être estimés à partir des données, et évaluer la robustesse des conclusions résultantes face aux violations de ces hypothèses.
Scope
Ce domaine regroupe les mécanismes fondamentaux du raisonnement causal moderne en recherche en santé : les critères et théories de la causalité, les graphes acycliques dirigés pour l'encodage des hypothèses, les conditions d'identification qui relient un estimande causal à des quantités estimables, l'analyse de sensibilité pour les biais non mesurés, et le cadre contrefactuel (des résultats potentiels) qui les sous-tend tous. Il s'agit d'une référence méthodologique, et non d'une directive clinique.
Sub-topics
Core questions
- Quand une association statistique soutient-elle une conclusion causale ?
- Quelles hypothèses sont nécessaires pour identifier un effet causal à partir de données observationnelles ?
- Comment ces hypothèses peuvent-elles être rendues explicites et vérifiées ?
- Dans quelle mesure une conclusion causale est-elle sensible à un facteur de confusion non mesuré ou à d'autres biais ?
Key concepts
- Contrefactuels et résultats potentiels
- Facteurs de confusion et échangeabilité
- Graphes acycliques dirigés
- Identification et estimandes
- Analyse de sensibilité
- Les points de vue de Hill sur la causalité
Mechanisms
L'inférence causale moderne repose sur le modèle des résultats potentiels (contrefactuel) formalisé par Rubin (rubin-1974), dans lequel un effet causal est un contraste entre des résultats qui se produiraient sous différentes expositions mutuellement exclusives pour les mêmes unités. Les graphes acycliques dirigés (greenland-pearl-robins-1999) traduisent les hypothèses substantielles sur la relation entre les variables en un graphe dont la structure détermine quels ajustements bloquent les facteurs de confusion et lesquels introduiraient un biais. L'identification cherche à déterminer si, sous des hypothèses énoncées telles que l'échangeabilité, la positivité et la cohérence, le contraste contrefactuel est égal à une fonction des données observées (hernan-robins-2006). Lorsque les hypothèses ne peuvent être garanties, l'analyse de sensibilité quantifie l'ampleur d'un biais non mesuré qui serait nécessaire pour invalider la conclusion.
Clinical relevance
Les cadres d'inférence causale façonnent la manière dont les preuves observationnelles concernant les traitements, les expositions et les facteurs de risque sont générées et évaluées ; leur compréhension aide les lecteurs à juger si un effet rapporté est crédible. Ce domaine décrit la manière dont les preuves sont raisonnées et ne constitue pas une source de recommandations diagnostiques ou thérapeutiques individuelles.
Epidemiology
Les méthodes d'inférence causale sont désormais standard en épidémiologie observationnelle, en pharmacoépidémiologie et dans la recherche sur l'efficacité comparative, où la randomisation est souvent impossible et où les chercheurs doivent plutôt formuler et défendre des hypothèses explicites. La tradition pluraliste souligne qu'aucune méthode ou critère unique ne suffit à établir la causalité à lui seul (vandenbroucke-2016).
History
L'épidémiologie du XXe siècle est passée de débats informels sur l'association versus la causalité, cristallisés dans les points de vue de Hill de 1965 (hill-1965), à une théorie mathématique explicite de la causalité. La formulation des résultats potentiels de Rubin en 1974 (rubin-1974) et le développement ultérieur des diagrammes causaux par Greenland, Pearl et Robins (greenland-pearl-robins-1999) ont unifié le raisonnement contrefactuel avec les modèles graphiques, et dans les années 2000, ces outils sont devenus centraux dans la manière dont les épidémiologistes formulent et répondent aux questions causales (hernan-robins-2006).
Debates
- Existe-t-il un cadre unique et correct pour l'inférence causale ?
- Certains soutiennent que le modèle contrefactuel avec des méthodes graphiques fournit une base unifiée, tandis que d'autres défendent une vision pluraliste dans laquelle différents critères et méthodes se complètent et aucune règle unique ne résout la causalité.
Key figures
- Austin Bradford Hill
- Jerome Cornfield
- Donald Rubin
- James Robins
- Sander Greenland
- Judea Pearl
- Miguel Hernán
Related topics
Seminal works
- hill-1965
- rubin-1974
- greenland-pearl-robins-1999
- hernan-robins-2006
Frequently asked questions
- En quoi l'inférence causale diffère-t-elle de l'association statistique ordinaire ?
- L'association décrit comment les variables évoluent ensemble dans les données ; l'inférence causale ajoute des hypothèses explicites sur la manière dont les données ont été générées afin qu'une association puisse être interprétée comme l'effet de la modification d'une variable sur une autre.
- Les effets causaux peuvent-ils être estimés sans essai randomisé ?
- Oui, mais seulement sous des hypothèses énoncées et souvent non testables, telles que l'absence de facteurs de confusion non mesurés ; les méthodes d'inférence causale rendent ces hypothèses explicites et permettent aux chercheurs de tester la robustesse des conclusions à leur égard.