Graphes causaux et DAG

Un DAG, pour Directed Acyclic Graph, est un graphe causal orienté sans cycle.

Il représente les hypothèses que l’on fait sur les relations causales entre plusieurs variables.

Par exemple :

Tabac → cancer du poumon

La flèche signifie :

« nous supposons que le tabagisme peut influencer causalement le risque de cancer du poumon ».

Un DAG ne prouve pas cette relation. Il rend simplement explicites les hypothèses causales utilisées dans l’analyse.

Pourquoi dessiner un graphe causal ?

Dans une étude observationnelle, une question cruciale est :

« Sur quelles variables faut-il ajuster ? »

Une réponse naïve serait :

« sur toutes celles dont on dispose ».

C’est faux.

Ajuster sur certaines variables réduit la confusion.

Ajuster sur d’autres peut supprimer une partie de l’effet réel.

Et ajuster sur certaines variables peut même créer un biais qui n’existait pas auparavant.

Les DAG permettent de distinguer ces situations.

Les éléments d’un DAG

Un DAG contient :

  • des nœuds, représentant les variables ;
  • des flèches, représentant les relations causales supposées.

Par exemple :

Âge → mortalité

signifie que l’âge influence causalement le risque de décès.

On peut ajouter :

Âge → traitement

si l’âge influence également la probabilité de recevoir le traitement.

On obtient :

Traitement ← Âge → Mortalité

L’âge devient alors un facteur de confusion potentiel.

Pourquoi « dirigé » ?

Les flèches possèdent une direction.

X → Y

n’est pas équivalent à :

X ← Y.

Cette orientation permet de distinguer :

  • cause ;
  • conséquence ;
  • médiateur ;
  • confondeur.

Elle force également à réfléchir à la temporalité et au mécanisme.

Pourquoi « acyclique » ?

Un DAG ne peut pas contenir une boucle comme :

X → Y → X

dans un même instant causal.

Cela ne signifie pas que les boucles biologiques ou comportementales n’existent pas.

On peut les représenter dans le temps :

X à T1 → Y à T2 → X à T3.

Le graphe reste alors acyclique parce que chaque variable correspond à un moment différent.

Une flèche signifie causalité supposée

C’est important.

Une flèche ne signifie pas simplement :

« X est corrélé à Y ».

Elle signifie que, dans le modèle causal proposé :

X influence Y.

Deux variables peuvent donc être fortement corrélées sans qu’on place nécessairement une flèche directe entre elles.

Exemple

Supposons :

Âge → cheveux blancs

et

Âge → mortalité.

Les cheveux blancs et la mortalité seront associés.

Mais on n’a pas besoin de dessiner :

cheveux blancs → mortalité.

La corrélation peut être expliquée par leur cause commune.

Une absence de flèche est aussi une hypothèse

Si l’on dessine :

X → Y

sans autre variable entre les deux, on affirme implicitement qu’aucune relation causale pertinente supplémentaire n’a besoin d’être représentée pour la question étudiée.

Ainsi, un DAG n’est jamais « purement descriptif ».

Il encode des choix théoriques.

Le confondeur dans un DAG

La structure classique est :

X ← Z → Y.

Z cause :

  • l’exposition X ;
  • le résultat Y.

On observe alors une association entre X et Y qui peut exister même si X ne cause pas Y.

Z est un confondeur.

Exemple

Âge → traitement

Âge → mortalité

et l’on cherche :

Traitement → mortalité ?

Le chemin :

Traitement ← Âge → Mortalité

crée une association non causale.

Ajuster sur l’âge permet de bloquer ce chemin.

Une voie causale

Supposons :

Traitement → pression artérielle → AVC.

Cette chaîne constitue une voie causale.

Si nous cherchons l’effet total du traitement sur les AVC, nous ne voulons généralement pas bloquer cette voie.

La pression est ici un médiateur.

Le médiateur

Structure :

X → M → Y.

Si l’on ajuste sur M, on bloque la voie causale passant par M.

Cela peut être approprié si l’on cherche un effet direct.

Mais pas si l’on cherche l’effet total.

Exemple

Activité physique → pression artérielle → AVC.

Si l’objectif est :

« Quel est l’effet total de l’activité physique sur le risque d’AVC ? »

ajuster sur la pression après l’exposition peut enlever une partie du bénéfice réel.

Le DAG rend ce problème visible immédiatement.

Le collider

Le collider est peut-être la structure la plus contre-intuitive.

Il apparaît lorsque deux variables causent une troisième :

X → C ← Y.

C est une conséquence commune de X et Y.

Contrairement au confondeur, on ne veut généralement pas ajuster sur C.

Exemple simple

Supposons :

talent académique → admission à une université sélective

et

performance sportive → admission à cette université.

Dans la population générale, talent académique et performance sportive peuvent être indépendants.

Mais parmi les personnes admises, quelqu’un ayant peu de talent académique aura plus probablement compensé par une forte performance sportive.

On crée alors artificiellement une association négative entre les deux.

L’admission est un collider.

Pourquoi le collider est dangereux

Avant de conditionner sur C :

X et Y peuvent être indépendants.

Après sélection sur C :

X et Y deviennent associés.

Autrement dit :

ajuster sur une variable peut créer une association.

C’est l’inverse de l’intuition selon laquelle l’ajustement ne pourrait qu’améliorer l’analyse.

Exemple médical

Supposons :

tabagisme → hospitalisation

et

infection grave → hospitalisation.

Si l’on étudie uniquement les personnes hospitalisées, on conditionne sur :

Hospitalisation.

Chez les hospitalisés, tabagisme et infection grave peuvent devenir artificiellement associés.

Sélection et collider

La sélection des participants peut elle-même constituer un collider.

Supposons :

exposition → probabilité d’entrer dans l’étude

et

maladie → probabilité d’entrer dans l’étude.

Si on analyse seulement les personnes sélectionnées, on conditionne sur une conséquence commune de l’exposition et de la maladie.

Cela peut créer un biais de sélection.

Berkson revisité

Le biais de Berkson peut être compris de cette manière.

Une hospitalisation peut dépendre de plusieurs maladies.

Si l’étude ne porte que sur les patients hospitalisés, des maladies qui seraient indépendantes dans la population générale peuvent apparaître statistiquement associées.

Le DAG fournit une explication causale simple du phénomène.

Trois structures à retenir

Confondeur

X ← Z → Y

En général : ajuster sur Z.

Médiateur

X → M → Y

Si l’on cherche l’effet total : généralement ne pas ajuster sur M.

Collider

X → C ← Y

En général : ne pas ajuster sur C.

Cette distinction constitue l’un des apports pédagogiques majeurs des DAG.

Chemins ouverts et fermés

Dans un DAG, une association peut circuler le long de différents chemins.

Certaines voies sont ouvertes.

D’autres sont bloquées.

L’objectif de l’ajustement est généralement :

bloquer les chemins non causaux

tout en

laissant ouvertes les voies causales que l’on souhaite mesurer.

Backdoor path

Supposons que l’on étudie l’effet de X sur Y.

Un backdoor path est une voie reliant X à Y qui commence par une flèche entrant dans X.

Par exemple :

X ← Z → Y.

Cette voie crée de la confusion.

Le but est de la bloquer.

Critère backdoor

Judea Pearl a formalisé le backdoor criterion.

L’idée générale est de trouver un ensemble de variables tel que :

  • toutes les voies non causales pertinentes soient bloquées ;
  • aucune variable causée par l’exposition ne soit utilisée de manière inappropriée.

Cet ensemble permet, sous certaines hypothèses, d’identifier l’effet causal.

Ajustement minimal

Supposons :

Z → X

Z → Y

Z → W

mais W ne cause ni X ni Y.

Ajuster sur Z peut suffire.

Ajouter automatiquement W n’apporte pas nécessairement d’information causale.

Un DAG peut donc aider à identifier un ensemble minimal suffisant d’ajustement.

Pourquoi un modèle avec vingt covariables n’est pas forcément supérieur

Une régression très complexe peut contenir :

  • confondeurs ;
  • médiateurs ;
  • colliders ;
  • variables inutiles.

Le nombre de variables ne mesure pas la qualité causale du modèle.

Un modèle plus simple, guidé par un DAG correct, peut être méthodologiquement supérieur.

Exemple plus complet

Supposons que l’on cherche l’effet de l’activité physique sur les infarctus.

On considère :

Âge → activité physique

Âge → infarctus

Activité physique → pression artérielle

Pression artérielle → infarctus

On peut représenter :

Activité ← Âge → Infarctus

et

Activité → Pression → Infarctus.

Si l’on cherche l’effet total de l’activité :

  • ajuster sur l’âge est pertinent ;
  • ajuster sur la pression peut supprimer une partie de l’effet recherché.

Exemple avec un collider

Ajoutons :

Activité physique → consultation préventive

et

symptômes cardiovasculaires → consultation préventive.

Si l’on analyse uniquement les personnes ayant consulté en prévention, on conditionne sur une variable influencée par les deux.

Cela peut créer une association artificielle entre activité et symptômes.

Descendants d’un collider

Le problème ne concerne pas seulement le collider lui-même.

Conditionner sur une conséquence du collider peut également ouvrir la voie.

Supposons :

X → C ← Y

et

C → D.

Ajuster sur D peut parfois produire un biais similaire à un ajustement sur C.

Descendants de l’exposition

Une règle pratique importante est de se méfier des variables mesurées après l’exposition.

Elles peuvent être :

  • médiateurs ;
  • colliders ;
  • conséquences de colliders.

Cela ne signifie pas qu’il ne faut jamais les utiliser.

Mais leur rôle doit être justifié causalement.

Variables pré-exposition

Les facteurs présents avant l’exposition sont souvent de meilleurs candidats comme confondeurs.

Par exemple :

  • âge ;
  • antécédents ;
  • état de santé initial.

Mais même une variable pré-exposition n’est pas automatiquement un confondeur.

Elle doit se trouver sur une voie pertinente.

Instrument

Une variable peut influencer l’exposition sans influencer directement le résultat autrement que par cette exposition :

Z → X → Y.

Z peut alors jouer le rôle d’instrument dans certaines analyses.

Ajuster systématiquement sur Z n’est pas forcément nécessaire pour contrôler la confusion.

Dans certaines situations, cela peut même amplifier certains biais résiduels.

Cause du résultat uniquement

Supposons :

W → Y

mais W n’influence pas X.

W est un facteur pronostique.

L’ajuster peut parfois améliorer la précision statistique.

Mais ce n’est pas un confondeur au sens causal classique.

Cette distinction aide à comprendre pourquoi toutes les variables prédictives ne sont pas des confondeurs.

Cause de l’exposition uniquement

Supposons :

Z → X

mais aucune voie de Z vers Y sauf via X.

Z n’est pas un confondeur classique non plus.

Il peut prédire fortement l’exposition sans créer de backdoor path vers Y.

La sélection automatique des variables échoue

Les méthodes consistant à sélectionner les covariables selon :

  • p-value ;
  • corrélation avec Y ;
  • performance prédictive

ne permettent pas forcément de distinguer :

  • confondeur ;
  • médiateur ;
  • collider.

Pour une analyse causale, il faut connaître ou supposer la structure des relations, pas seulement leurs corrélations.

Les DAG doivent être construits avant de regarder les résultats

Idéalement, le graphe repose sur :

  • littérature ;
  • biologie ;
  • connaissances cliniques ;
  • chronologie ;
  • contexte social.

Si l’on modifie le DAG uniquement parce que les données ne donnent pas le résultat attendu, on risque de réintroduire du raisonnement post hoc.

Un DAG n’est pas appris automatiquement par une régression

Une régression dit comment les variables sont statistiquement liées dans les données.

Elle ne détermine pas automatiquement :

qui cause qui.

Par exemple, si X et Y sont corrélés, les données seules peuvent être compatibles avec :

X → Y

X ← Y

ou

X ← Z → Y.

Il faut des hypothèses supplémentaires.

Algorithmes de découverte causale

Il existe des méthodes de causal discovery qui utilisent certaines structures statistiques pour proposer des graphes possibles.

Elles peuvent être utiles.

Mais elles reposent sur des hypothèses fortes et ne remplacent pas les connaissances du domaine.

Il faut éviter de présenter un DAG produit automatiquement comme une vérité causale certaine.

Les DAG rendent les désaccords explicites

C’est l’un de leurs plus grands avantages.

Deux chercheurs peuvent être en désaccord sur l’ajustement d’une variable.

Au lieu de débattre seulement sur :

« faut-il la mettre dans le modèle ? »

ils peuvent dessiner leurs hypothèses.

Par exemple :

Chercheur A

X ← Z → Y

Z est un confondeur.

Chercheur B

X → Z → Y

Z est un médiateur.

Le désaccord statistique devient alors un désaccord causal identifiable.

Exemple alimentation et cholestérol

Supposons qu’on étudie :

alimentation → maladie cardiovasculaire.

Faut-il ajuster sur le cholestérol ?

Si :

alimentation → cholestérol → maladie cardiovasculaire,

le cholestérol est médiateur.

Si certaines caractéristiques génétiques influencent :

alimentation

et

cholestérol / maladie,

la structure devient plus complexe.

Le choix d’ajustement dépend de la question.

Effet total versus effet direct

Un même DAG permet de définir différentes estimations.

Pour l’effet total :

X → M → Y

on laisse M non ajusté.

Pour certaines formes d’effet direct, on cherche au contraire à isoler la voie :

X → Y

indépendamment de M.

Il n’existe donc pas une seule liste universelle de variables « à contrôler ».

Le mot « contrôler » est trompeur

Dans les articles, on lit souvent :

« après contrôle de l’âge, du sexe, de l’IMC, de la pression… »

Cette formulation donne l’impression que chaque variable supplémentaire élimine un problème.

Mais « contrôler » peut :

  • supprimer de la confusion ;
  • enlever un effet causal ;
  • créer une association artificielle.

Il faut donc demander pourquoi chaque variable a été contrôlée.

DAG et confusion non mesurée

Supposons :

U → X

et

U → Y

mais U n’est pas observée.

On sait alors qu’une voie de confusion existe potentiellement, mais on ne peut pas la bloquer directement.

Le DAG permet au moins de rendre cette limite explicite.

Variables proxy

On peut parfois mesurer une variable P corrélée à U.

Mais ajuster sur un proxy imparfait ne supprime pas nécessairement toute la confusion.

Les DAG clarifient donc également ce qui reste non identifié.

DAG et biais de sélection

Supposons :

X → S ← Y

où S représente la participation à l’étude.

Analyser uniquement :

S = 1

ouvre la voie entre X et Y.

Le problème n’est alors pas un confondeur classique mais la condition de sélection elle-même.

Exemple enquête volontaire

Supposons que participer à une enquête soit plus probable :

  • chez les personnes très exposées ;
  • chez celles présentant la maladie étudiée.

La participation devient une conséquence commune.

L’association mesurée parmi les volontaires peut être biaisée.

DAG et survie

Même structure avec la survie :

Exposition → survie ← autre facteur → maladie.

Étudier uniquement les survivants peut ouvrir des voies artificielles.

Cela relie directement les DAG au biais de survie vu précédemment.

Immortal time et structure temporelle

Certains biais nécessitent surtout une représentation temporelle correcte.

Si l’exposition n’est définie qu’après une période de survie, il faut représenter :

  • temps zéro ;
  • survie jusqu’à l’exposition ;
  • traitement ;
  • événement.

Un DAG peut aider mais doit être complété par un design temporel rigoureux.

Time-varying confounding

Une situation particulièrement complexe apparaît lorsqu’une variable :

  • influence le traitement futur ;
  • est influencée par le traitement passé ;
  • influence le résultat.

Par exemple :

Traitement T1 → état clinique T2 → Traitement T3 → décès

avec :

état clinique T2 → décès.

L’état clinique est simultanément :

  • conséquence du traitement passé ;
  • confondeur du traitement futur.

Pourquoi la régression classique peut échouer

Ajuster simplement sur l’état clinique T2 peut bloquer une partie de l’effet passé.

Ne pas ajuster laisse de la confusion pour le traitement futur.

C’est précisément le type de problème ayant conduit au développement des g-methods.

DAG et causalité inverse

Supposons qu’une maladie préclinique U provoque :

U → perte de poids

et

U → diagnostic futur.

On observe :

perte de poids ↔ diagnostic.

Le DAG montre que la perte de poids peut être seulement un marqueur du processus préclinique.

Cela formalise la causalité inverse.

DAG et médiation

Supposons :

Vaccination → anticorps → diminution de l’infection → diminution de l’hospitalisation.

Le graphe permet d’identifier plusieurs étapes causales et de poser différentes questions :

  • effet total de la vaccination ;
  • effet médié par l’infection ;
  • effet restant sur la gravité conditionnellement à l’infection.

Ces questions ne nécessitent pas les mêmes analyses.

Attention au conditionnement sur l’infection

Supposons que la vaccination influence la probabilité d’infection et que d’autres facteurs influencent aussi infection et gravité.

Étudier uniquement les personnes infectées peut créer un biais de sélection.

La question :

« parmi les infectés, le vaccin réduit-il la gravité ? »

peut donc être plus délicate qu’elle n’en a l’air.

Exemple conceptuel

Vaccination → Infection ← Exposition virale

et

Exposition virale → Gravité.

Si l’on sélectionne uniquement :

Infection = oui,

on conditionne sur un collider.

Vaccination et exposition virale peuvent devenir artificiellement associées parmi les infectés.

L’estimation de l’effet sur la gravité peut alors être biaisée.

DAG et Covid : un intérêt méthodologique général

Ce type de structure a été particulièrement discuté lorsqu’on voulait comparer :

  • gravité chez infectés vaccinés ;
  • gravité chez infectés non vaccinés.

Le problème ne signifie pas que toute analyse conditionnée sur l’infection est invalide.

Il signifie que la sélection sur un événement influencé par l’exposition doit être pensée causalement.

Une variable « importante » n’est pas forcément à ajuster

Supposons que l’on étudie l’effet d’une vaccination sur l’hospitalisation.

L’infection est évidemment une variable importante.

Mais si elle est un médiateur :

vaccination → infection → hospitalisation,

l’ajuster n’est pas approprié pour estimer l’effet total.

Importance clinique et nécessité d’ajustement sont deux choses différentes.

Le DAG dépend de la question

Supposons qu’on étudie :

effet total de la vaccination sur l’hospitalisation.

Puis une autre question :

effet de la vaccination sur la gravité parmi certaines infections.

Les graphes et les quantités causales ne sont pas nécessairement identiques.

Il faut construire le DAG en fonction de la question précise, pas du thème général.

DAG et variables non observées

Une variable non mesurée peut être représentée malgré tout.

Par exemple :

U = prédisposition génétique non mesurée.

Dessiner U rappelle que l’identification causale dépend d’une hypothèse :

aucun confondeur non mesuré important,

ou d’une méthode capable de contourner ce problème.

Un DAG ne donne pas les nombres

Le graphe indique :

  • structure ;
  • chemins ;
  • variables à considérer.

Il ne dit pas :

  • quelle est l’ampleur de l’effet ;
  • combien de confusion existe ;
  • quel modèle numérique utiliser exactement.

Il doit être combiné à l’analyse statistique.

Deux DAG peuvent produire les mêmes données observées

C’est une limite fondamentale.

On peut parfois construire plusieurs structures causales compatibles avec la même distribution statistique.

Les données seules ne permettent alors pas de choisir.

Il faut utiliser :

  • temporalité ;
  • mécanismes ;
  • interventions ;
  • connaissances extérieures.

Les DAG sont des cartes, pas le territoire

Un graphe simplifie forcément la réalité.

Il peut omettre :

  • variables ;
  • interactions ;
  • mécanismes complexes.

Son utilité vient précisément de cette simplification structurée.

Mais il ne faut pas confondre le modèle causal avec la totalité du système biologique ou social réel.

Un DAG doit être critiquable

Un bon graphe permet de demander :

Cette flèche est-elle plausible ?

Une variable importante manque-t-elle ?

La temporalité est-elle correcte ?

Existe-t-il une cause commune non représentée ?

Cette transparence facilite la critique scientifique.

Différence avec un organigramme

Un DAG n’est pas simplement un dessin pédagogique montrant une suite logique.

Les règles sur :

  • chemins ;
  • colliders ;
  • conditionnement ;
  • d-séparation

ont une signification mathématique précise.

Il peut donc guider formellement l’identification causale.

D-séparation

La d-séparation est le cadre formel permettant de déterminer si un chemin est bloqué ou ouvert dans un DAG donné.

Sans entrer dans tous les détails mathématiques, trois règles intuitives suffisent déjà à comprendre beaucoup de situations.

Chaîne

X → M → Y

Conditionner sur M bloque la voie.

Fourche

X ← Z → Y

Conditionner sur Z bloque la voie.

Collider

X → C ← Y

La voie est naturellement bloquée, mais conditionner sur C peut l’ouvrir.

Ces trois structures sont fondamentales.

Tableau récapitulatif

StructureRôle de la variable centraleAjuster ?
X ← Z → YConfondeurGénéralement oui
X → M → YMédiateurPas pour l’effet total
X → C ← YColliderGénéralement non

Le tableau est utile comme aide-mémoire, mais la structure réelle peut être beaucoup plus complexe.

Comment construire un DAG pratique

Une démarche simple peut être :

  1. définir précisément l’exposition X ;
  2. définir le résultat Y ;
  3. identifier les causes plausibles de X ;
  4. identifier les causes plausibles de Y ;
  5. ajouter les mécanismes intermédiaires importants ;
  6. préciser la chronologie ;
  7. repérer les backdoor paths ;
  8. chercher un ensemble d’ajustement suffisant.

Le graphe doit idéalement être construit avant l’analyse statistique principale.

Ne pas mettre uniquement les variables mesurées

Un DAG doit représenter la structure causale supposée, même si certaines variables ne sont pas disponibles dans la base.

Sinon, on risque de croire qu’un problème de confusion n’existe pas simplement parce que sa variable n’a pas été mesurée.

Exemple

On étudie :

activité physique → mortalité.

La base contient seulement :

  • âge ;
  • sexe.

Mais on pense que :

  • état de santé initial ;
  • tabagisme

influencent activité et mortalité.

Ils doivent apparaître conceptuellement dans le DAG, même s’ils sont absents des données.

Le graphe montre alors clairement la limite de l’étude.

Le DAG peut révéler qu’une étude ne peut pas répondre à la question

C’est une fonction très utile.

Si un confondeur essentiel n’est pas mesuré et qu’aucune autre méthode ne permet de contourner le problème, l’effet causal peut être impossible à identifier de manière crédible.

Un bon outil méthodologique ne sert pas seulement à produire des estimations ; il peut aussi montrer qu’une estimation fiable est impossible avec les données disponibles.

DAG et transparence scientifique

Publier un DAG permet au lecteur de comprendre :

  • hypothèses ;
  • choix d’ajustement ;
  • variables considérées comme médiateurs ;
  • sources potentielles de biais.

Le débat devient beaucoup plus précis qu’une simple liste de covariables dans un tableau.

Une leçon d’esprit critique

Lorsque vous lisez :

« les chercheurs ont ajusté sur l’âge, le sexe, l’IMC, le diabète, la pression artérielle et quinze autres variables »,

ne concluez pas automatiquement :

« l’étude est très bien contrôlée ».

Demandez :

Pourquoi ces variables ?

Lesquelles précèdent l’exposition ?

Certaines peuvent-elles être des médiateurs ?

Certaines peuvent-elles être des colliders ?

Quels facteurs de confusion restent non mesurés ?

Un modèle très ajusté peut être causalement moins correct qu’un modèle plus simple.

À retenir

Un DAG est une représentation graphique des hypothèses causales reliant plusieurs variables.

Il permet notamment de distinguer trois structures fondamentales :

confondeur : X ← Z → Y

médiateur : X → M → Y

collider : X → C ← Y.

Cette distinction est essentielle car l’ajustement n’a pas le même effet dans les trois situations.

En règle générale :

on cherche à bloquer les voies de confusion ;

on évite de bloquer les voies causales lorsqu’on veut l’effet total ;

on évite d’ouvrir des voies artificielles en conditionnant sur des colliders.

Les DAG ne découvrent pas automatiquement la vérité causale. Ils reposent sur des hypothèses provenant de la biologie, de la chronologie, du contexte et des connaissances antérieures.

Leur grande force est ailleurs :

ils obligent à rendre ces hypothèses visibles avant de faire les calculs.

Ils transforment ainsi la question :

« quelles variables sont corrélées au résultat ? »

en une question beaucoup plus pertinente :

« quelle structure causale supposons-nous, et quelles variables devons-nous conditionner pour approcher correctement l’effet que nous voulons estimer ? »

Pour aller plus loin

Judea Pearl — Causality. La référence fondamentale pour les graphes causaux, les critères d’ajustement et le raisonnement interventionnel.

Judea Pearl et Dana Mackenzie — The Book of Why. Une introduction plus accessible à la révolution des graphes causaux et à la différence entre observation et intervention.

Sander Greenland, Judea Pearl et James Robins — travaux sur les diagrammes causaux en épidémiologie. Des articles fondateurs pour l’utilisation des DAG dans l’analyse des biais et de la confusion.

Miguel Hernán et James Robins — Causal Inference: What If. Une référence majeure reliant les DAG au raisonnement contrefactuel et aux méthodes modernes d’inférence causale.