Inférence causale et machine learning
Les deux cours précédents optimisent la prévision. Celui-ci revient à la question que l’économiste ne peut pas éviter : quel est l’effet de cette décision ? Un modèle qui prévoit parfaitement peut être totalement muet sur ce qui se passerait si l’on changeait quelque chose — et c’est pourtant la seule question qui intéresse celui qui décide.
Ce cours est le point de jonction entre l’économétrie et la science des données. Il reprend des outils déjà rencontrés — les variables instrumentales, les données de panel du cours d’économétrie avancée — mais les replace dans un cadre explicite : celui des résultats potentiels, où l’on écrit ce qu’on voudrait observer avant d’écrire ce qu’on estime.
La seconde moitié montre ce que l’apprentissage automatique apporte réellement ici : non pas de meilleures prévisions, mais l’estimation des nuisances de grande dimension qui bloquaient l’approche classique, et la mesure d’effets hétérogènes — pour qui la politique fonctionne-t-elle, et pour qui ne fonctionne-t-elle pas.
Troisième cours de la branche science des données, niveau Master.
Syllabus
| Niveau | Master |
| Volume horaire indicatif | 12 chapitres, soit environ 24 h de cours |
| Prérequis | Le cours Économétrie avancée et le cours Apprentissage statistique. |
Chaque chapitre est un diaporama en PDF. Le tableau ci-dessous rassemble, chapitre par chapitre, les diapositives et le reste du matériel — polycopié, exercices, vidéo — au fur et à mesure de leur mise en ligne.
Chapitres et documents
| # | Chapitre | Diapositives | Polycopié | Exercices | Vidéo |
|---|---|---|---|---|---|
| 1 | Corrélation et causalité : ce que la régression ne dit pas | — | — | — | |
| 2 | Le cadre des résultats potentiels | — | — | — | |
| 3 | Graphes causaux et variables à ne pas contrôler | — | — | — | |
| 4 | L’expérience aléatoire, référence de toutes les méthodes | — | — | — | |
| 5 | Appariement et pondération par le score de propension | — | — | — | |
| 6 | Les doubles différences | — | — | — | |
| 7 | La régression sur discontinuité | — | — | — | |
| 8 | Les variables instrumentales, revisitées | — | — | — | |
| 9 | Le contrôle synthétique | — | — | — | |
| 10 | Le double machine learning | — | — | — | |
| 11 | Effets hétérogènes et forêts causales | — | — | — | |
| 12 | Décider sous incertitude : de l’effet estimé à la politique | — | — | — |