Inférence causale

Décider sous incertitude : de l’effet estimé à la politique

Inférence causale

Inférence causale et machine learning

Chapitre 11 : Décider sous incertitude : de l’effet estimé à la politique

Auteur·rice
Affiliation

Jaouad Madkour

Faculté d’Économie et de Gestion de Tanger

Date de publication

25 septembre 2026

De l’estimation à la décision

Un effet n’est pas une recommandation

Ce qui manque encore

Le cours a estimé des effets. Décider exige trois choses de plus : les coûts, la transposabilité, et l’incertitude.

Un effet positif et significatif ne justifie pas un programme s’il coûte plus qu’il ne rapporte, s’il ne survivra pas à sa généralisation, ou s’il est estimé avec une imprécision qui interdit de conclure.

L’analyse coûts-bénéfices

Comparer la valeur de l’effet au coût du programme, en actualisant les flux futurs.

C’est le chapitre 4 de Principes de macroéconomie

Les gains d’un programme de formation s’étalent sur des années ; son coût est immédiat.

Les comparer exige d’actualiser — et le résultat dépend fortement du taux retenu, ce qui doit être dit et testé. Un effet de huit points sur l’emploi ne devient une décision qu’après ce calcul.

Les trois incertitudes

Ce qu’il faut distinguer

Trois natures d’incertitude
Type Origine Traitement
Statistique échantillon fini intervalles de confiance
D’identification les hypothèses sont-elles vraies ? analyse de sensibilité
De transposition vaudra-t-il ailleurs ? jugement, réplication
La première est la mieux traitée, et la moins importante

Les intervalles de confiance ne portent que sur l’échantillonnage. Ils supposent l’identification acquise.

Un intervalle étroit autour d’un effet mal identifié donne une fausse précision : le chiffre est stable, et faux. C’est le risque le plus courant dans la lecture des travaux empiriques.

L’analyse de sensibilité

Elle demande : quelle force devrait avoir un confondant non observé pour annuler le résultat ?

Si un confondant très faible suffirait, la conclusion est fragile. S’il faudrait un confondant plus puissant que toutes les variables observées, elle est robuste.

C’est le complément indispensable de toute étude observationnelle, et son absence doit alerter.

Ce que le cours a établi

Les stratégies, comparées

Le tableau d’ensemble
Chapitre Stratégie Hypothèse centrale Population identifiée
4 Expérience randomisation l’échantillon
5 Score de propension indépendance conditionnelle selon le support commun
6 Doubles différences tendances parallèles les traités
7 Discontinuité continuité au seuil au voisinage du seuil
8 Variables instrumentales exclusion, monotonie les conformes
9 Contrôle synthétique ajustement pré-traitement l’unité traitée
L’arbitrage qui traverse tout le cours

Les stratégies les plus crédibles identifient les effets les plus étroits.

La discontinuité est presque irréprochable et ne parle que du seuil. L’appariement porte sur toute la population et repose sur l’hypothèse la plus lourde.

Il n’existe pas de méthode à la fois convaincante et générale. Choisir, c’est arbitrer entre ces deux qualités — et le dire fait partie du travail.

Le fil rouge chiffré
Chapitre Situation Résultat
1 Comparaison naïve, Simpson 40\,\% contre 60\,\% — trompeur
2 Décomposition du biais 25 = 5 + 20
6 Doubles différences 12 - 4 = \mathbf{8}
7 Discontinuité au seuil 52 - 40 = \mathbf{12}
8 Wald sur la loterie 10 / 0{,}4 = \mathbf{25}

Ces chiffres ne sont pas comparables entre eux : ils portent sur des populations différentes. C’est la leçon du tableau précédent, sous forme numérique.

La place de ce cours

Ce vers quoi les six cours convergeaient

Le cursus, relu depuis la fin
Cours Ce qu’il apporte
Principes d’économie ce qu’on cherche à mesurer, et pourquoi
Micro et macro les mécanismes et les grandeurs
Introduction à l’économétrie estimer une relation
Apprentissage statistique prévoir hors échantillon
Apprentissage profond apprendre des représentations
Ce cours répondre à la question du décideur

Les trois réflexes du cours précédent, complétés

Intuition

Apprentissage statistique laissait trois règles : comparer au trivial, chercher la fuite, ne jamais lire une importance comme un effet.

Ce cours en ajoute trois :

  1. D’où vient la variation du traitement ? — c’est la question qui décide de tout.
  2. Quelle expérience cette analyse imite-t-elle ? — le critère de crédibilité.
  3. Sur quelle population porte le résultat ? — sans quoi le chiffre ne veut rien dire.

Ce qu’aucun outil ne fera

Définition

Aucune méthode de ce cours ne dit ce qu’il faut faire.

Elle dit ce qui se produirait. Peser cet effet contre son coût, contre l’équité, contre d’autres usages des mêmes fonds, relève du jugement politique — l’affirmation normative du chapitre 1 de Principes d’économie.

L’analyse ne remplace pas la décision. Elle la rend informée. C’est déjà beaucoup, et c’est tout.

Ce qu’il faut retenir

Le résumé du cours

Cinq points, pour douze chapitres
  1. Les résultats potentiels séparent ce qu’on veut de ce qu’on voit ; l’effet individuel n’est jamais observé.
  2. La différence naïve vaut effet plus biais de sélection — et le biais domine souvent.
  3. Le graphe causal dit quoi contrôler, et surtout quoi ne pas contrôler.
  4. Chaque stratégie imite une expérience, et identifie une population différente.
  5. Le machine learning gère la dimension et l’hétérogénéité ; il n’identifie rien.
Le mot de la fin

La difficulté d’une étude causale n’a presque jamais été le calcul. Elle a été de trouver une source de variation crédible, et de dire honnêtement ce qu’elle permet de conclure — et pour qui.

Les méthodes changeront. Cette exigence, non.

← Chapitre précédentEffets hétérogènes et forêts causales

Ressources du chapitre