Retour à la liste

Statistique et causalité


Auteurs : BERTRAND Frédéric

BERTRAND Frédéric

, SAPORTA Gilbert

SAPORTA Gilbert

Ingénieur ECP, Docteur ès Sciences

Professeur émérite de statistique appliquée au Conservatoire National des Arts et Métiers

Domaine de recherches : analyse des données

Auteur de plus de 100 articles et  communications, G. Saporta a publié et participé à la rédaction de 15 ouvrages :
- Probabilités, analyse des données et statistiques (Ed. Technip)
- Plans d’expériences. Applications à l’entreprise (Ed. Technip)
- Méthodes bayesiennes en statistique (Ed. Technip)
- Modèles statistiques pour données qualitatives (Ed. Technip)
- Analyse statistique des données spatiales  (Ed. Technip)
- Analyse statistique des données longitudinales  (Ed. Technip)
- Approches non paramétriques en régression  (Ed. Technip)
- Modèles à variables latentes et modèles de mélange  (Ed. Technip)
- Approches statistiques du risque  (Ed. Technip)
- Méthodes robustes en statistique  (Ed. Technip)
- The Multiple Facets of Partial Least Squares Methods (Springer)
- Model Choice and Model Aggregation (Ed. Technip)
- L’analyse des données (PUF)
- Multivariate Quality Control (Physica Verlag)
- Apprentissage statistique et données massives (Ed. Technip)


Informations complémentaires :
Président d’honneur de la Société française de statistique
Vice président de l’Institut international de statistique de 2005 à 2007
Président de l’ IASC (International Association for Statistical Computing) de 2005-2007

Page personnelle: http://cedric.cnam.fr/~saporta/

, THOMAS-AGNAN Christine

THOMAS-AGNAN Christine


ISBN : 9782710811930
broché      16 x 24 cm      296 pages
Date de publication : Septembre 2021



À l’exception notable des essais contrôlés et randomisés, la statistique a longtemps évacué le problème de la causalité considérant qu’il relevait du domaine d’application et des théories afférentes. Bien souvent les cours et les manuels de statistique se contentent de rappeler que corrélation n’est pas causalité et passent rapidement à d’autres sujets. Or, que ce soit en économie, épidémiologie, génétique, médecine, marketing, pour ne citer que quelques domaines, la recherche de modèles causaux et de variables actionnables est incontournable. Aujourd’hui la mise à disposition de données massives ou de grande dimension repose la question de la causalité de manière aigüe.

 

Dans le prolongement des travaux pionniers de Granger (prix Nobel d’économie en 2003), Pearl (prix Turing en 2011), Rosenbaum et Rubin, pour ne nommer qu'eux, une très large palette de modèles et méthodes pour l'analyse causale, éventuellement hors d'une expérience contrôlée, s'est peu à peu constituée depuis le début des années 1980. Citons entre autres les thèmes suivants : issues potentielles, données contrefactuelles, scores de propension, double-robustesse, diagramme de causalité, réseaux bayésiens, systèmes d'équations structurelles.

 

Cet ouvrage est le fruit de la collaboration entre spécialistes réputés : Léon Bottou (Facebook AI Research), Antoine Chambaz (université de Paris), Daniel Commenges (Institut national de la santé et de la recherche médicale), Isabelle Drouet (université Paris-Sorbonne), Ron Kenett (KPA Group), Vivian Viallon (International Agency for Research on Cancer) réunis à l’occasion des 18e Journées d’étude en statistique organisées par la SFdS. Le lecteur y trouvera une synthèse des fondements et des travaux les plus récents dans le domaine de la causalité statistique, avec des applications dans des domaines variés.


Table des matières :


1. La causalité en philosophie et en sciences 18e - 21e siècles. 2. L'échelle de la causalité : allégorie et formalisation. 3. Effets directs et indirects. 4. Les réseaux bayésiens en pratique. 5. Approche dynamique de la causalité. 6. Causalité et apprentissage automatique. 7. Une introduction à l'apprentissage ciblé. Bibliographie. Index.