Inférence causaleL'inférence causale est le processus par lequel on peut établir une relation de causalité entre un élément et ses effets. C'est un champ de recherche à la croisée des statistiques, de l'économétrie, de l'épidémiologie, de la méthodologie politique et de l'intelligence artificielle. En 1920, Sewall Wright développe la première path analysis. Cette analyse graphique des relations de causalité entre les variables constitue selon Judea Pearl un travail pionnier dans l'inférence causale.
Causal modelIn the philosophy of science, a causal model (or structural causal model) is a conceptual model that describes the causal mechanisms of a system. Several types of causal notation may be used in the development of a causal model. Causal models can improve study designs by providing clear rules for deciding which independent variables need to be included/controlled for. They can allow some questions to be answered from existing observational data without the need for an interventional study such as a randomized controlled trial.
Path analysisIn statistics, path analysis is used to describe the directed dependencies among a set of variables. This includes models equivalent to any form of multiple regression analysis, factor analysis, canonical correlation analysis, discriminant analysis, as well as more general families of models in the multivariate analysis of variance and covariance analyses (MANOVA, ANOVA, ANCOVA).
Étiologiethumb|L'étiologie étudie comment de multiples facteurs interagissent dans la formation de l'objet spécifique étudié. Illustrée ici par un diagramme de Venn où 4 ellipses définissent 15 intersections. En médecine, l’étiologie (ou étiopathogénie) est l'étude des causes et des facteurs d'une maladie. Ce terme est aussi utilisé dans le domaine de la psychiatrie et de la psychologie pour l'étude des causes des maladies mentales. L'étiologie définit l'origine d'une maladie en fonction de signes ou symptômes, c'est-à-dire en jargon de ses manifestations sémiologiques.
Principe de raison suffisanteLe principe de raison suffisante est un principe philosophique (ou axiome). Dans sa formulation originelle, par Leibniz, il affirme que « jamais rien n'arrive sans qu'il y ait une cause ou du moins une raison déterminante, c'est-à-dire qui puisse servir à rendre raison a priori pourquoi cela est existant plutôt que non existant et pourquoi cela est ainsi plutôt que de toute autre façon » (Théodicée, I, 44). Le principe de raison suffisante remonte au moins à Saint Thomas d'Aquin qui l'utilise dans la troisième voie pour démontrer l'existence de Dieu par la raison naturelle.
CoïncidenceUne coïncidence est une occurrence simultanée et remarquable de circonstances ou d'évènements qui n'ont apparemment pas de connexion causale entre eux. D'un point de vue statistique, les coïncidences sont inévitables, et souvent moins remarquables qu'il n'y paraît intuitivement. La perception de coïncidences peut amener à des interprétations surnaturelles, occultes, ou paranormales ; elle peut également conduire à des croyances fatalistes. Le mot vient du latin cum- (« avec », « ensemble ») et incidere (verbe composé de « in » et « cadere » : « advenir », « se produire »).
Causal reasoningCausal reasoning is the process of identifying causality: the relationship between a cause and its effect. The study of causality extends from ancient philosophy to contemporary neuropsychology; assumptions about the nature of causality may be shown to be functions of a previous event preceding a later one. The first known protoscientific study of cause and effect occurred in Aristotle's Physics. Causal inference is an example of causal reasoning. Causal relationships may be understood as a transfer of force.
Diagramme de boucle causalevignette|308x308px|Exemple de boucle de rétroaction de renforcement : solde bancaire (bank balance) et intérêts perçus (earned interest) Un diagramme de boucle causale (DBC) est un diagramme qui permet de visualiser comment les différentes variables dans un système sont interdépendantes. Le diagramme se compose d'un ensemble de nœuds et d'arcs. Les nœuds représentent les variables et les arcs les connexions, ou liens de causalités, entre les variables.
Modèle causal de Neyman-RubinLe modèle causal de Neyman-Rubin (ou modèle à résultats potentiels, en anglais potential outcome model) est un cadre de pensée permettant d'identifier statistiquement l'effet causal d'une variable sur une autre. La première version du modèle a été proposée par Jerzy Neyman en 1923 dans son mémoire de maîtrise. Le modèle a ensuite été généralisé par Donald Rubin dans un article intitulé « ». Le nom du modèle a été donné par Paul Holland dans un article de 1986 intitulé « ». Expérience naturelle Méthode des
