Nous avons tous entendu l'expression "corrélation n'est pas synonyme de causalité" Qu'est-ce qui équivaut alors à un lien de causalité ? Ce cours a pour but de répondre à cette question et à bien d'autres encore !

Sur une période de 5 semaines, vous apprendrez comment les effets causaux sont définis, quelles hypothèses sur vos données et vos modèles sont nécessaires, et comment mettre en œuvre et interpréter certaines méthodes statistiques populaires. Les apprenants auront l'occasion d'appliquer ces méthodes à des données d'exemple dans R (environnement logiciel statistique libre). A la fin du cours, les apprenants devraient être capables de : 1. Définir les effets causaux en utilisant les résultats potentiels 2. Décrire la différence entre association et causalité 3. Exprimer des hypothèses à l'aide de graphiques causaux 4. Mettre en œuvre plusieurs types de méthodes d'inférence causale (par exemple, l'appariement, les variables instrumentales, la pondération de la probabilité inverse du traitement) 5. Identifier les hypothèses causales nécessaires pour chaque type de méthode statistique Rejoignez-nous.... et découvrez par vous-même pourquoi les méthodes statistiques modernes d'estimation des effets causaux sont indispensables dans de nombreux domaines d'étude !