Le raisonnement contrefactuel

Pour savoir si une exposition cause un événement, l’épidémiologie moderne pose une question simple en apparence :

« Que se serait-il passé si la même personne, au même moment, avait été exposée différemment ? »

Ce scénario alternatif est appelé un contrefactuel.

L’idée paraît intuitive, mais elle structure aujourd’hui une grande partie de l’inférence causale.

Deux mondes possibles

Supposons que l’on cherche l’effet d’un traitement.

Pour une même personne, on peut imaginer deux situations :

Monde A : elle reçoit le traitement.

Monde B : elle ne reçoit pas le traitement.

L’effet causal individuel correspondrait à la différence entre les résultats observés dans ces deux mondes.

Par exemple :

  • survie avec traitement ;
  • décès sans traitement.

Le traitement aurait alors sauvé cette personne.

Le problème fondamental

Nous ne pouvons cependant jamais observer les deux mondes pour la même personne au même moment.

Si elle reçoit le traitement, nous observons seulement :

son résultat sous traitement.

Son résultat sans traitement reste invisible.

C’est le problème fondamental de l’inférence causale.

Résultats potentiels

On peut formaliser cette idée avec les résultats potentiels.

Pour chaque personne, imaginons :

Y(1) = résultat si elle reçoit l’exposition ou le traitement ;

Y(0) = résultat si elle ne le reçoit pas.

L’effet causal individuel serait :

Y(1) − Y(0)

pour un résultat quantitatif.

Mais une seule de ces valeurs peut être observée.

Exemple binaire

Supposons que le résultat soit :

1 = décès

0 = survie.

Une personne pourrait théoriquement avoir :

Y(1) traitementY(0) sans traitementInterprétation
01traitement bénéfique
10traitement nocif
00survie dans les deux cas
11décès dans les deux cas

Le problème est que, pour une personne réelle, on ne voit jamais simultanément les deux colonnes.

Le contrefactuel manquant

Si la personne reçoit le traitement, nous observons Y(1).

Y(0) devient le contrefactuel manquant.

Toute la méthodologie causale cherche donc à trouver une approximation crédible de cette valeur non observable.

Pourquoi une anecdote ne suffit pas

Supposons :

« J’ai pris ce médicament et j’ai guéri. »

Cela montre :

guérison après traitement.

Mais on ne sait pas ce qui se serait passé sans traitement.

Peut-être la guérison aurait-elle eu lieu spontanément.

L’anecdote ne fournit pas le contrefactuel.

L’erreur post hoc

Le raisonnement :

« X s’est produit, puis Y, donc X a causé Y »

oublie précisément le monde alternatif.

La question pertinente est :

« Y se serait-il également produit sans X ? »

Sans comparaison crédible, cette question reste ouverte.

Exemple de guérison spontanée

Une infection bénigne disparaît souvent spontanément.

Une personne prend un remède le troisième jour.

Le cinquième jour, elle va mieux.

Elle conclut :

« le remède m’a guéri ».

Mais si la plupart des personnes guérissent en cinq jours sans traitement, le contrefactuel probable est :

elle aurait peut-être guéri de toute façon.

Exemple inverse

Une personne vaccinée développe malgré tout une infection.

Elle conclut :

« le vaccin n’a servi à rien ».

Mais le bon contrefactuel est :

« Qu’aurait-il été sans vaccination ? »

Peut-être :

  • infection plus probable ;
  • maladie plus grave ;
  • hospitalisation.

Observer un événement malgré l’intervention ne permet pas d’en déduire l’absence d’effet causal.

Causalité et probabilités

Pour beaucoup d’événements de santé, le contrefactuel est probabiliste.

On ne cherche pas seulement :

« cet individu aurait-il été malade ? »

mais :

« comment la probabilité de maladie change-t-elle sous différentes expositions ? »

L’effet causal est alors souvent défini au niveau d’une population.

Effet causal moyen

Supposons que l’on puisse connaître les deux résultats potentiels pour toute une population.

On pourrait calculer :

risque moyen si tout le monde était traité

et

risque moyen si personne ne l’était.

La différence correspondrait à un effet causal moyen.

Exemple

Population fictive de 10 000 personnes.

Si toutes étaient traitées :

500 événements.

Si aucune ne l’était :

800 événements.

Risques :

5 % contre 8 %.

Réduction absolue causale :

3 points de pourcentage.

C’est cette différence entre deux mondes populationnels qui nous intéresse.

Mais nous n’observons qu’un monde

Dans la réalité, certaines personnes sont traitées et d’autres non.

On observe donc :

résultats des traités sous traitement

et

résultats des non-traités sans traitement.

Pour utiliser les seconds comme contrefactuel des premiers, il faut que les groupes soient suffisamment comparables.

Le groupe contrôle comme contrefactuel

Le rôle du groupe contrôle est précisément d’approcher :

« ce qui serait arrivé au groupe traité sans traitement ».

Si le contrôle est bien choisi, la différence entre groupes peut estimer l’effet causal.

Si les groupes diffèrent fortement dès le départ, le contrefactuel devient mauvais.

Exemple de mauvais contrefactuel

Supposons qu’un nouveau traitement soit réservé aux patients les plus graves.

Mortalité :

  • traités : 20 % ;
  • non-traités : 5 %.

Comparer directement ces chiffres revient à utiliser les patients légers comme contrefactuel des patients graves.

C’est peu crédible.

La différence peut refléter surtout la gravité initiale.

La question fondamentale devient : comparable à qui ?

En causalité, il ne suffit pas de connaître :

« que s’est-il passé chez les exposés ? »

Il faut demander :

« quel groupe représente correctement ce qui leur serait arrivé sans exposition ? »

C’est la logique derrière :

  • randomisation ;
  • appariement ;
  • ajustement ;
  • pondération ;
  • expériences naturelles.

La randomisation

Dans un essai randomisé, l’attribution du traitement est faite au hasard.

Avant traitement, les groupes devraient être comparables en moyenne sur :

  • âge ;
  • gravité ;
  • comportements ;
  • facteurs connus et inconnus.

Le groupe contrôle devient alors un contrefactuel collectif particulièrement crédible.

Pourquoi la randomisation est si puissante

Supposons que le traitement n’ait aucun effet.

Grâce à la randomisation, on s’attend à ce que les deux groupes aient des résultats similaires en moyenne, à l’exception des fluctuations aléatoires.

Si une différence importante apparaît, l’attribution du traitement devient une explication plausible.

La randomisation ne crée pas des clones

Chaque individu reste différent.

Le groupe contrôle n’est pas le double exact de chaque personne traitée.

Mais à l’échelle collective, le hasard cherche à équilibrer les caractéristiques.

L’inférence causale devient donc statistique plutôt qu’individuelle.

Contrefactuel et études observationnelles

Dans une étude observationnelle, l’exposition n’est pas attribuée au hasard.

Les personnes exposées peuvent différer des non-exposées.

Il faut donc reconstruire artificiellement une comparaison aussi crédible que possible.

Exemple

Supposons que les personnes faisant beaucoup de sport aient une mortalité plus faible.

Le monde observé compare :

personnes sportives

à

personnes moins sportives.

Mais le contrefactuel recherché serait plutôt :

les mêmes personnes sportives si elles avaient été moins actives.

Les personnes sédentaires réelles ne sont pas automatiquement ce contrefactuel.

Pourquoi ?

Elles peuvent différer par :

  • âge ;
  • état de santé ;
  • tabagisme ;
  • revenu ;
  • alimentation.

Ces différences compliquent l’interprétation causale.

Échangeabilité

Une notion centrale est l’échangeabilité.

Deux groupes sont échangeables si, conceptuellement, leurs résultats potentiels seraient comparables indépendamment de l’exposition reçue.

Dans un essai randomisé bien conduit, l’échangeabilité est créée en moyenne par la randomisation.

Dans une étude observationnelle, elle doit être défendue par le design et l’ajustement.

Échangeabilité conditionnelle

On peut parfois considérer les groupes comme comparables conditionnellement à certaines variables.

Par exemple :

à âge, sexe, tabagisme et gravité comparables.

On essaie alors d’estimer l’effet de l’exposition parmi des individus ayant les mêmes caractéristiques mesurées.

Mais les variables non mesurées restent un problème

Si une caractéristique importante influence :

  • l’exposition ;
  • le résultat

et n’est pas observée, l’échangeabilité peut rester violée.

C’est le problème du facteur de confusion non mesuré.

Positivité

Une autre condition importante est la positivité.

Pour chaque type d’individu pertinent, il faut qu’il existe une possibilité réelle d’observer les différentes expositions comparées.

Supposons que tous les patients extrêmement graves reçoivent obligatoirement un traitement.

On n’observe aucun patient comparable non traité.

Le contrefactuel devient difficile à estimer.

Exemple

Pour des patients de gravité 10/10 :

  • traitement : 100 % ;
  • absence de traitement : 0 %.

Aucune donnée ne montre ce qui arrive à un patient de gravité 10/10 sans traitement.

Un modèle peut extrapoler, mais il ne dispose pas d’une véritable comparaison empirique.

Consistance

Une autre hypothèse importante est la consistance.

Si une personne est effectivement exposée selon la modalité X, son résultat observé doit correspondre au résultat potentiel défini sous cette même exposition.

Cela paraît trivial, mais cela exige que l’exposition soit suffisamment bien définie.

« Faire du sport » est-il une intervention bien définie ?

Supposons que l’on étudie :

activité physique élevée versus faible.

Mais une activité élevée peut signifier :

  • course ;
  • natation ;
  • travail physique ;
  • vélo.

Ces interventions peuvent avoir des effets différents.

Le contrefactuel devient ambigu si l’exposition n’est pas suffisamment précisée.

Traitements multiples derrière une même catégorie

Même problème avec :

« recevoir des soins intensifs »

ou

« suivre un régime sain ».

Ces catégories peuvent recouvrir de nombreuses interventions.

Pour une question causale rigoureuse, il faut définir aussi précisément que possible ce que représente :

X = 1

et

X = 0.

Version de traitement

Deux personnes classées comme « traitées » peuvent recevoir :

  • doses différentes ;
  • durées différentes ;
  • modalités différentes.

Si ces versions ont des effets différents, l’effet causal moyen dépend du mélange des versions réellement observées.

SUTVA

Dans le cadre classique des résultats potentiels, on évoque souvent la Stable Unit Treatment Value Assumption, ou SUTVA.

Elle regroupe notamment l’idée :

  • que les versions du traitement sont suffisamment bien définies ;
  • que le traitement reçu par une personne n’affecte pas le résultat d’une autre.

Cette seconde condition pose un problème particulier en épidémiologie infectieuse.

Interférence

Supposons qu’une personne soit vaccinée.

Sa vaccination peut réduire sa probabilité d’infection mais aussi modifier le risque des personnes autour d’elle si elle transmet moins.

Le résultat d’une personne dépend alors du traitement reçu par d’autres.

Il existe une interférence.

Pourquoi c’est important

Les effets des interventions collectives ne peuvent pas toujours être étudiés comme si chaque individu était indépendant.

Vaccination, masques, isolement ou interventions environnementales peuvent modifier l’exposition des autres.

La définition du contrefactuel doit alors intégrer le contexte collectif.

Effet individuel et effet collectif

Supposons qu’un vaccin fournisse :

  • protection directe à la personne vaccinée ;
  • protection indirecte en réduisant la circulation.

L’effet observé dépend alors du niveau de vaccination de l’ensemble de la population.

Le monde :

« cette personne vaccinée dans une population à 5 % vaccinée »

n’est pas nécessairement équivalent au monde :

« cette même personne vaccinée dans une population à 95 % vaccinée ».

Le contrefactuel doit préciser le contexte

C’est une leçon générale.

Une intervention n’existe jamais entièrement hors contexte.

Les effets peuvent dépendre :

  • des autres interventions ;
  • du comportement collectif ;
  • du système de santé ;
  • du moment.

Définir un effet causal exige donc de préciser le scénario comparé.

Temps zéro

Pour comparer correctement deux stratégies, il faut souvent aligner leur temps zéro.

Supposons que l’on compare :

commencer un traitement aujourd’hui

à

ne pas le commencer aujourd’hui.

Le suivi doit commencer au même moment dans les deux groupes.

Sinon, on risque notamment un biais de temps immortel.

Exemple

Si le groupe « traité » n’est défini qu’après avoir survécu trois mois pour recevoir le médicament, alors que le groupe contrôle est suivi dès le diagnostic, les groupes ne partagent pas le même temps zéro.

Le contrefactuel est mal construit.

Target trial

Une stratégie moderne consiste à imaginer l’essai cible, ou target trial, que l’on aurait idéalement voulu réaliser.

On définit :

  • population éligible ;
  • stratégies comparées ;
  • moment d’attribution ;
  • début du suivi ;
  • résultat ;
  • durée.

Puis on essaie d’émuler cet essai avec les données observationnelles disponibles.

Exemple de target trial

Question :

« Chez les patients nouvellement diagnostiqués, quel est l’effet de commencer le traitement A dans les sept jours plutôt que de ne pas le commencer ? »

On précise alors :

  • qui entre dans l’étude ;
  • quand la stratégie est définie ;
  • quand commence le suivi ;
  • quel résultat sera comparé.

Cela évite de nombreuses ambiguïtés.

Pourquoi la formulation de la question est essentielle

Comparez :

« Les utilisateurs du médicament A vivent-ils plus longtemps ? »

et

« Quel serait l’effet sur la mortalité à cinq ans de commencer A aujourd’hui plutôt que de ne pas commencer A, chez les patients remplissant tels critères ? »

La seconde question est beaucoup plus proche d’une véritable question causale.

Contrefactuel et interventions impossibles

Certaines variables ne correspondent pas facilement à une intervention précise.

Par exemple :

âge

est associé causalement à de nombreux résultats, mais on ne peut pas assigner quelqu’un à être dix ans plus jeune.

Cela pose des questions philosophiques sur la définition de certains effets causaux.

Race, sexe ou contexte social

De même, des caractéristiques complexes comme :

  • origine sociale ;
  • sexe ;
  • catégories raciales selon les contextes ;

ne correspondent pas à une intervention simple.

Il faut souvent décomposer la question en mécanismes modifiables :

  • discrimination ;
  • exposition professionnelle ;
  • accès aux soins ;
  • revenu.

Cela produit des questions causales plus précises.

Cause et intervention ne sont pas parfaitement synonymes

Il serait néanmoins trop restrictif de dire qu’une variable ne peut être causale que si elle peut être directement manipulée.

Des événements historiques ou biologiques non manipulables peuvent appartenir à une chaîne causale.

Le cadre interventionnel sert surtout à rendre la question précise.

Différents effets causaux possibles

Une même étude peut chercher :

ATE — Average Treatment Effect : effet moyen dans toute la population ;

ATT — Average Treatment Effect on the Treated : effet moyen chez ceux effectivement traités ;

ou d’autres effets dans des sous-populations.

Ces quantités ne sont pas nécessairement identiques.

Exemple

Supposons qu’un traitement soit surtout prescrit aux patients susceptibles d’en bénéficier.

L’effet moyen chez les traités peut être très important.

Mais si on l’administrait à toute la population, l’effet moyen pourrait être beaucoup plus faible.

Il faut donc préciser pour quelle population l’effet est défini.

Effet conditionnel

On peut aussi demander :

« Quel est l’effet chez les patients à haut risque ? »

Cela revient à définir un effet causal conditionnel à certaines caractéristiques.

Cette approche rejoint la modification de l’effet et la médecine personnalisée.

Risque contrefactuel

Pour une population, on peut imaginer :

Risque sous exposition A

et

Risque sous exposition B.

On peut ensuite calculer :

  • différence de risques ;
  • ratio de risques ;
  • odds ratio ;
  • hazard ratio.

Ces mesures ne sont causales que si les risques comparés représentent réellement des scénarios contrefactuels crédibles.

Un risque relatif n’est pas intrinsèquement causal

Supposons :

RR observé = 0,70.

Ce chiffre est simplement une association tant que nous ne pouvons pas défendre que le groupe non exposé représente correctement le contrefactuel du groupe exposé.

Le même calcul devient interprétable causalement seulement sous certaines hypothèses.

Les mathématiques ne suffisent pas

C’est un point essentiel.

La formule du risque relatif est identique dans :

  • un essai randomisé ;
  • une étude observationnelle fortement confondue.

Ce qui change est la crédibilité de la comparaison, pas l’arithmétique.

Le contrefactuel rend visibles les facteurs de confusion

Supposons que l’on demande :

« Que serait-il arrivé aux personnes traitées si elles n’avaient pas été traitées ? »

On réalise immédiatement que comparer avec n’importe quels non-traités est insuffisant.

Il faut rechercher des individus similaires quant aux déterminants du pronostic.

Le raisonnement contrefactuel conduit naturellement à la notion de confusion.

Il rend aussi visibles les médiateurs

Si l’on cherche l’effet total :

traitement versus absence de traitement

on ne doit pas rendre artificiellement identiques des variables qui sont elles-mêmes causées par le traitement.

Sinon, on modifie le contrefactuel que l’on cherche à construire.

Cela explique pourquoi ajuster sur un médiateur peut être incorrect.

Et les colliders

Le cadre contrefactuel aide également à comprendre pourquoi sélectionner une population sur une conséquence de l’exposition et du résultat peut créer une mauvaise comparaison.

Les DAG fourniront une représentation visuelle particulièrement utile de ces problèmes.

Contrefactuels et événements indésirables

Supposons qu’un événement survienne après vaccination.

La question causale n’est pas :

« l’événement est-il survenu après le vaccin ? »

mais :

« la probabilité de cet événement aurait-elle été différente sans vaccination ? »

Cela nécessite un groupe de comparaison et une estimation du taux attendu.

Coïncidence temporelle

Si un événement est fréquent naturellement, certains cas surviendront inévitablement après une exposition simplement par hasard.

Sans contrefactuel, la succession temporelle peut sembler causalement convaincante.

C’est pourquoi les bases de pharmacovigilance détectent des signaux mais ne suffisent généralement pas, seules, à mesurer un effet causal.

Contrefactuels et pandémie

Supposons qu’une région applique une mesure sanitaire et que les infections diminuent ensuite.

La question n’est pas seulement :

« les infections ont-elles baissé après la mesure ? »

mais :

« comment auraient-elles évolué au même moment sans cette mesure ? »

Ce second scénario est difficile à observer.

Pourquoi les politiques publiques sont difficiles à évaluer

Une épidémie évolue naturellement avec :

  • immunité ;
  • comportements ;
  • saison ;
  • autres interventions.

Une simple comparaison avant/après ne fournit donc pas nécessairement le bon contrefactuel.

Les méthodes quasi expérimentales cherchent à reconstruire ce scénario alternatif.

Difference-in-differences

Une méthode comme la différence de différences compare :

  • changement dans le groupe exposé ;
  • changement dans un groupe témoin.

L’idée est d’estimer ce qui se serait probablement produit dans le groupe exposé en l’absence de l’intervention.

L’hypothèse essentielle est que les tendances auraient été suffisamment parallèles.

Synthetic control

La méthode du contrôle synthétique construit une combinaison de régions ou populations permettant de reproduire au mieux la trajectoire d’une population avant l’intervention.

Cette combinaison sert ensuite de contrefactuel approximatif.

Encore une fois, l’objectif est le même :

construire le monde alternatif manquant.

Régression sur discontinuité

Dans un design de régression sur discontinuité, des individus très proches autour d’un seuil sont comparés.

Par exemple :

  • score 49 : non éligible ;
  • score 50 : éligible.

Si les personnes autour du seuil sont très similaires, celles juste en dessous peuvent fournir un bon contrefactuel à celles juste au-dessus.

Variables instrumentales

Une variable instrumentale cherche également à créer une source de variation de l’exposition indépendante des autres déterminants du résultat.

L’idée est toujours de construire une comparaison qui imite mieux les scénarios contrefactuels.

Contrefactuel et causalité individuelle

Même lorsque l’effet causal moyen est bien établi, le contrefactuel individuel reste généralement inaccessible.

Supposons qu’un traitement réduise la mortalité de 10 % à 5 %.

Pour une personne traitée qui survit, nous ne savons pas si :

  • le traitement l’a sauvée ;
  • elle aurait survécu sans lui.

La causalité populationnelle ne donne pas automatiquement l’attribution individuelle.

Effet causal sans identification des personnes « sauvées »

Dans une population de 1 000 patients :

  • sans traitement : 100 décès attendus ;
  • avec traitement : 50.

On peut estimer que 50 décès sont évités.

Mais on ne sait généralement pas quelles 50 personnes ont été sauvées.

Cette différence entre effets populationnels et attribution individuelle est fondamentale.

Conséquences juridiques

Dans certains contextes juridiques, on demande si une exposition a causé le dommage d’un individu précis.

L’épidémiologie fournit des probabilités populationnelles mais ne peut pas toujours répondre avec certitude à cette question individuelle.

Il faut donc distinguer :

  • causalité générale ;
  • causalité individuelle.

Le contrefactuel n’est pas une fiction arbitraire

Le terme peut donner l’impression d’un scénario imaginaire sans contraintes.

Au contraire, un bon contrefactuel doit être :

  • scientifiquement plausible ;
  • clairement défini ;
  • comparable au monde observé.

L’inférence causale consiste justement à déterminer quels scénarios alternatifs sont crédibles.

Plus le contrefactuel est vague, plus la question est vague

Supposons :

« Quel est l’effet de l’alimentation ? »

Cela ne veut presque rien dire.

Par rapport à quoi ?

  • alimentation méditerranéenne versus occidentale ?
  • réduction de viande ?
  • plus de légumes ?
  • moins de calories ?

Une question causale nécessite un contraste précis.

Le contraste causal

Il faut toujours comparer :

une stratégie A

à

une stratégie B.

Il n’existe pas d’effet causal absolu de X sans comparateur.

Par exemple :

effet d’un vaccin signifie toujours :

vaccination versus une autre stratégie, généralement absence de vaccination ou vaccination différente.

Même traitement, comparateurs différents

Supposons qu’un médicament soit comparé :

  • au placebo ;
  • au traitement standard ;
  • à un autre médicament.

L’effet causal peut être différent selon le comparateur.

Dire :

« le traitement réduit le risque de 30 % »

est incomplet si l’on ne précise pas par rapport à quoi.

Effet et durée

Le contrefactuel doit également préciser la durée.

Un traitement peut :

  • réduire le risque à 30 jours ;
  • ne plus produire de différence à 5 ans.

La question causale doit donc inclure un horizon temporel.

Adhésion et stratégie

Comparer :

assignation à un traitement

et

prise réelle du traitement

correspond à deux questions différentes.

Dans un essai randomisé, l’analyse en intention de traiter estime surtout l’effet d’une stratégie d’attribution.

L’analyse per protocole cherche davantage l’effet d’une adhésion réelle, mais exige des hypothèses supplémentaires.

Le contrefactuel de l’adhésion

Pour savoir ce qui se serait passé si toutes les personnes avaient réellement suivi le traitement, il faut tenir compte du fait que l’observance n’est pas aléatoire.

Les personnes observantes peuvent différer des autres.

L’effet per protocole est donc plus difficile à estimer causalement qu’il n’y paraît.

Pourquoi le contrefactuel est une discipline intellectuelle

Le raisonnement contrefactuel oblige à poser des questions extrêmement concrètes :

Qui ?

Quelle intervention ?

Par rapport à quoi ?

À partir de quand ?

Pendant combien de temps ?

Quel résultat ?

Cela évite beaucoup d’affirmations causales vagues.

Une leçon d’esprit critique

Face à une affirmation causale :

« X a provoqué Y »,

posez mentalement la question :

« Que serait-il arrivé dans une situation comparable où X n’aurait pas eu lieu ? »

Puis demandez :

Quel groupe ou quelle méthode permet d’approcher ce scénario ?

Les groupes étaient-ils comparables ?

Le temps zéro était-il identique ?

Les facteurs de confusion ont-ils été pris en compte ?

L’intervention comparée est-elle clairement définie ?

Très souvent, la qualité de la conclusion dépend de la qualité de ce contrefactuel.

À retenir

Le raisonnement contrefactuel définit un effet causal en comparant deux scénarios possibles :

résultat sous exposition A

et

résultat sous exposition B.

Le problème fondamental est que, pour une même personne au même moment, nous ne pouvons observer qu’un seul de ces scénarios.

Les méthodes épidémiologiques cherchent donc à construire un contrefactuel collectif crédible.

La randomisation le fait en créant des groupes comparables en moyenne.

Les études observationnelles tentent de le reconstruire grâce :

  • au design ;
  • à l’ajustement ;
  • à l’appariement ;
  • à la pondération ;
  • aux quasi-expériences.

Trois conditions sont particulièrement importantes :

échangeabilité : les groupes sont suffisamment comparables ;

positivité : les différentes stratégies peuvent réellement être observées dans les profils étudiés ;

consistance : l’exposition étudiée correspond bien au scénario causal défini.

Le principe fondamental peut donc se résumer ainsi :

une association devient interprétable causalement lorsque le groupe de comparaison constitue une approximation crédible de ce qui serait arrivé aux personnes exposées dans le scénario alternatif.

Toute l’inférence causale moderne peut, d’une certaine manière, être comprise comme l’art de construire le meilleur monde alternatif possible avec les données dont nous disposons.

Pour aller plus loin

Donald Rubin — travaux sur le modèle des résultats potentiels. Une contribution majeure à la formalisation moderne des effets causaux à partir des scénarios contrefactuels.

Jerzy Neyman — travaux fondateurs sur les résultats potentiels dans les expériences randomisées. Ils constituent une racine historique importante du cadre aujourd’hui souvent appelé Neyman-Rubin.

Miguel Hernán et James Robins — Causal Inference: What If. Une référence particulièrement accessible et approfondie sur échangeabilité, positivité, consistance, essais cibles et raisonnement contrefactuel.

Judea Pearl — Causality. Une autre grande formalisation de l’inférence causale, fondée notamment sur les graphes causaux et les interventions.