www.bayesia.com n'est pas optimisé pour votre navigateur (Internet Explorer 6).
Nous vous suggérons de passer à IE 7 ou Firefox pour une meilleure navigation.

Inférence Causale et Effets Directs

Pearl’s Graph Surgery and Jouffe’s Likelihood Matching Illustrated with Simpson’s Paradox and a Marketing Mix Model

Ce document est composé de deux chapitres, le premier se concentrant sur des considérations essentiellement théoriques (même si illustré par un exemple), tandis que le second fournit une approche pratique utilisant un exemple réel présenté sous la forme de tutorial.

Méthodes d'inférence causale

Nous introduisons l'inférence causale formelle en utilisant l'exemple bien connu de Paradox Simpson. Nous fournissons ensuite un bref résumé du modèle de Neyman-Rubin, approche statistique traditionnelle dans ce contexte. Une fois cette méthode établie comme point de référence, nous introduisons deux méthodes au sein du paradigme des réseaux Bayésiens, Pearl Do-opérateur, qui est basé sur "la chirurgie graphique", et une méthode basée l’algorithme "Likelihood Matching" (LM). LM permet de fixer des distributions de probabilité et peut être considéré comme une extension probabiliste du matching statistique.

Applications pratiques des effets directs et de l'inférence causale

Bien que notre traitement de Neyman-Rubin soit limité au premier chapitre, les deux méthodes basées sur les réseaux Bayésiens seront illustrées par le biais d’applications pratiques dans le second chapitre. Notre méthode de Likelihood Matching (LM) n’ayant pas encore été documentée, nous y apportons une attention particulière dans ce chapitre. Nous décrivons les avantages pratiques de LM avec une application réelle et comparons l'inférence observationnelle et causale dans le contexte d'un modèle de marketing mix. En utilisant le modèle du marketing mix comme le principal exemple, nous abordons plus en détail le « workflow » de travail d'analyse, afin de permettre au lecteur d’utiliser cet exemple comme un guide étape par étape pour la mise en œuvre d'un tel modèle avec BayesiaLab.

Télécharger l'article (6.1 MB)