Tout au long de mes études en Psychologie, les enseignants n’arrêtaient pas de répéter la phrase désormais devenu un dogme :
Corrélation n’est pas Causalité !
Mais à part ce mantra, nous n’avions pas plus d’informations sur ce qu’est la causalité et comment l’identifier. Du moins, le domaine présenté pour y parvenir était la psychologie expérimentale avec son outil l’expérimentation. Le but? Développer des expérimentations dans lesquelles les facteurs influençant la variable mesurée (Variable Dépendante; VD), par exemple la performance à une tâche sont contrôlés et n’impactent donc pas cette VD. La conséquence espérée est que seule la variable manipulée (Variable Indépendante; VI) impacte la VD.
Pendant mon parcours, j’ai toutefois pu constater quelques cas dans lesquels la psychologie expérimentale ne s’applique pas, s’applique mal ou peut souffrir de biais. Par exemple, que faire si vous vous rendez compte qu’un facteur que vous n’avez pas mesuré influence tout de même vos résultats ? Et dans le cas où vous ne pouvez pas manipuler votre variable d’intérêt, vous ne pouvez que l’observer ?
L’inférence causale peut résoudre ces problèmes. De plus, aux côtés des statistiques bayésiennes, elle offre un outil puissant pour solutionner la plupart des cas. C’est en 2022 que je découvre la causalité grâce aux vidéos de Richard McElreath. Très vite passionné par cette nouvelle méthode, je me plonge dans les livres de Judea Pearl : The Book of Why (Pas de questions, juste lisez-le), Causal Inference in Statistics: A Primer, et le très costaud Causality. J’y découvre l’échelle de causalité de Pearl qui présente trois niveaux que je détaille plus bas:
Échelon 1: Observation
Ce premier niveau est caractérisé par l’observation. On remarque une régularité dans l’occurrence de deux évènements. On a, donc, envie de les associer et de tirer des conclusions causales sur l’occurence d’un ou l’autre évènement. C’est la méthode qui provoque le plus d’erreur d’attribution. Ce biais d’attribution est très souvent utilisé par les complotistes qui voient X, puis Y et infèrent que X cause Y. L’intelligence artificielle, elle aussi, opère à ce niveau: elle remarque des patterns certes très complexe, mais elle se contente de les observer et de faire une prédiction.
Question typique: Si j’observe X, alors Y ?
Exemple (tiré du livre The Book of Why): Si une personne achète du dentifrice, achète-t-elle également du bain de bouche ?
Échelon 2: Intervention
Le second niveau stipule que nous sommes capables d’intervenir sur le système et d’observer l’impact de notre intervention. Vous l’aurez compris c’est exactement dans ce niveau que nous retrouvons notre expérimentation. Elle permet donc de confirmer ou d’infirmer une précédente observation. Nous le faisons aussi couramment dans la vie de tous les jours: j’ai mal à la tête, je prends une aspirine et j’observe si mon mal de tête disparait ou non.
Question typique: Si je fais X, que devient Y ?
Exemple: Si je double le prix du dentifrice, que se passe-t-il sur nos ventes de bain de bouche ?
Échelon 3: Contrefactuel
Le niveau le plus élevé appel à la pensée contrefactuelle. Cette pensée, nous l’utilisons tous et tout le temps et ceci depuis l’âge d’environ 2 ans: on explore le monde en imaginant des scénarii alternatifs où la cause est absente. On imagine alors que l’effet supposé n’aurait pas été là non plus.
Question typique: Si j’avais fait X, que devient Y ?
Exemple: Si j’avais doublé le prix du dentifrice, comment nos ventes de bain de bouche se seraient comportées ?
Un véritable exemple
Ce dernier échelon m’a été particulièrement utile pour identifier l’effet d’une expérimentation sans contrôle. En effet, ayant travaillé sur le confort visuel à l’intérieur des bâtiments, il n’est pas toujours évident de mettre en place des conditions contrôles et ce particulièrement dans des environnements rééls.
Ce que nous avions donc fait pour limiter la gêne des collaborateurs travaillant dans le bâtiment, c’est de mesurer le système d’éclairage avant notre intervention. Puis, nous avons mis en place notre nouveau système de contrôle de l’éclairage pour un certain temps.
La question contrefactuelle dans mon cas est donc: que ce serait-il passé si nous n’avions pas installé ce nouveau système?
Grâce à PyMC, j’ai construit un modèle sur la consommation électrique avant notre intervention. Ce modèle représente le déroulement normal d’une semaine. Il permet donc d’évaluer l’impact de notre nouveau système, comme le montre l’image ci-dessous.
Si vous aussi vous souhaitez créer un modèle similaire, n’hésitez pas à me contacter !