Module 3 Inférence causale

Une grande partie des sciences sociales porte sur la causalité. On peut se demander si l’inscription des électeurs augmente la participation politique, si la responsabilisation bottom-up peut améliorer les perspectives en matière de santé, ou si les récits personnels des migrants aident à réduire les attitudes préjudiciables à leur égard.

Au cours de la dernière décennie, les sciences sociales sont devenues beaucoup plus strictes quant à la formulation des assertions causales, en s’appuyant sur une longue histoire de travaux sur la causalité remontant aux classiques de Fisher et Rubin. On recourt davantage aux expériences ; la randomisation est devenue la norme de référence pour répondre aux questions causales.

Dans ce module, nous introduisons l’approche contrefactuelle de l’inférence causale et comment des affirmations basées sur des assertions causales peuvent être interprétées. Nous présentons le modèle des résultats potentiels et la manière dont l’assignation aléatoire nous aide à faire des assertions sur ce qui se serait passé en l’absence de la politique publique, de l’action ou du programme que nous étudions. Nous discutons des trois hypothèses de base pour l’inférence causale : l’assignation aléatoire des sujets au traitement, la non-interférence et l’exclusion.

3.1 Contenu

  • Qu’entendons-nous par “cause” ? Et pourquoi est-il important d’être clair sur le sens des assertions causales ?

  • Une introduction aux résultats potentiels comme une façon de penser aux états contrefactuels du monde.

  • La randomisation nous aide à comprendre les assertions causales contrefactuelles d’une manière particulièrement utile.

  • Les trois principales hypothèses de base pour l’inférence causale : l’assignation aléatoire des sujets au traitement, la non-interférence et l’exclusion.

  • Comparaison des études aléatoires avec les études d’observation.

  • La randomisation apporte une validité interne élevée, mais elle ne peut pas assurer la validité externe.

  • Votre question causale est liée à votre conception de recherche.

3.3 Ressources

3.3.1 Guide des méthodes EGAP

3.3.2 Livres, chapitres et articles

3.3.2.1 Classiques

  • Ronald A. Fisher, The Design of Experiments (Edinburgh: Oliver; Boyd, 1935). Fisher introduit l’idée de la randomisation et des tests d’hypothèses pour étudier l’inférence causale.

  • Donald B. Rubin, “Estimating the Causal Effects of Treatments in Randomized and Nonrandomized Studies,” J. Educ. Psych. 66 (1974): 688–701. Rubin introduit l’idée de résultats potentiels et relie la conceptualisation contrefactuelle de la causalité à l’inférence statistique.

3.3.2.2 Revue actuelle

  • Henry E Brady, “Causation and Explanation in Social Science,” in The Oxford Handbook of Political Science, 2008, https://www.oxfordhandbooks.com/view/10.1093/oxfordhb/9780199286546.001.0001/oxfordhb-9780199286546-e-10.

  • Gerber and Green, Field Experiments, Chapitre 1. Ce livre est une excellente ressource pour de nombreux sujets de la conception expérimentale.

  • Stephen L. Morgan and Christopher Winship, Counterfactuals and Causal Inference: Methods and Principles for Social Research (Cambridge University Press, 2007), Chapitre 1. Ce livre comprend de bons examples de raisonnement pour faire des assertions causales à partir de données d’observation.

  • Rachel Glennerster and Kudzai Takavarasha, Running Randomized Evaluations: A Practical Guide (Princeton: Princeton University Press, 2013). Ceci est une excellente introduction pour mener des expériences de terrain, illustrée par nombreux exemples.