Chapitre 3 — L’inférence causale (suite)
L’auto-sélection biaise dans les deux sens
Un effet brut faible ou négatif peut masquer un effet bénéfique : les groupes diffèrent déjà avant le traitement. Si les missions vont aux conflits les plus difficiles, leur efficacité est sous-estimée ; si elles vont aux cas faciles, elle est surestimée.
Le contrôle statistique et sa faille
u regroupe les déterminants du salaire non intégrés au modèle (genre, secteur, âge, ancienneté…) et les erreurs de mesure.
- Avec assignation aléatoire, ces facteurs sont répartis de façon comparable entre les groupes, en moyenne.
- Sans expérience, il faut postuler que ce qui reste dans
un’est pas lié à la formation : c’est une hypothèse, pas une garantie. - Le choix des contrôles et la bonne spécification du modèle comptent davantage que leur nombre.
Les trois problèmes de la quasi-expérience
Variable omise : le facteur oublié doit être lié à la fois à la cause et à l’effet. Le contrôler signifie l’intégrer à l’analyse.
Deux questions distinctes : qui reçoit le traitement ? (assignation) et quels cas observe-t-on ? (échantillonnage). Pour étudier les causes de guerre, il faut aussi des cas sans guerre : retenir uniquement les conflits sélectionne sur le résultat.
Les trois problèmes dans nos questions
Les problèmes peuvent se combiner : envoyer les missions dans les conflits les plus difficiles rend l’assignation non aléatoire ; la gravité du conflit peut aussi être une variable omise.
Aide et croissance : la faible croissance peut attirer l’aide. Une corrélation négative ne suffit donc pas à conclure que l’aide freine la croissance.
Quatre questions à poser à toute recherche
L’expérience idéale précise ce que l’on voudrait faire varier et tenir constant ; elle permet de voir ce qui manque à l’étude réelle.
La stratégie d’identification explique l’attribution de la cause, au-delà d’une liste de contrôles.
- Question non identifiée : âge à l’entrée à l’école = âge actuel − durée de scolarisation. On ne peut faire varier l’un en maintenant les deux autres constants.
- Expérience naturelle : choc pétrolier → recettes supplémentaires des pays producteurs → hausse de l’aide. Cette variation extérieure à la situation des bénéficiaires sert à étudier l’effet de l’aide sur leur croissance. L’étude citée ne détecte pas d’effet.
- Discrimination : on manipule la perception de l’origine par le nom sur des CV autrement comparables. Le traitement correspond à l’identité perçue par l’employeur.
L’analyse contrefactuelle
Le raisonnement contrefactuel
Le raisonnement causal engage une comparaison avec le monde sans la cause. Le conséquent peut être probabiliste : sans la mission, la reprise de la guerre aurait été plus probable, sans être certaine.
Du contrefactuel au contrefait
- Condition nécessaire : sans X, pas de Y. Elle implique un énoncé contrefactuel.
- Condition suffisante : si X, alors Y. Cela ne dit pas ce qui arrive en l’absence de X.
« Deux démocraties → paix » n’implique donc pas « absence de démocratie → guerre ». La théorie doit préciser ce qui se passerait sans la cause.
Un contrefait observé est un autre cas suffisamment semblable, sans la cause : la comparaison repose sur l’homogénéité des unités. Un contrefait imaginé reste à juger sur sa plausibilité.
- Un seul cas : construire un contrefait imaginé.
- Quelques cas : combiner comparaisons réelles et contrefaits imaginés.
- Grand nombre de cas : les unités sans la cause servent de comparaison statistique à celles qui la reçoivent.
Juger un contrefactuel : trois critères
- Réécriture minimale : limiter le nombre et l’ampleur des changements supposés.
- Cotenabilité : expliciter les changements que l’antécédent suppose ou entraîne et vérifier leur compatibilité. Imaginer l’URSS en supériorité stratégique à Cuba pourrait supprimer sa raison d’y installer des missiles : la crise étudiée disparaîtrait.
- Conséquent : préciser l’issue et la déduire d’une théorie appuyée sur les faits historiques. Une longue chaîne d’événements multiplie les hypothèses.
Contingence / structure : sans le déclencheur observé, un autre incident aurait-il conduit au même résultat ? C’est la limite illustrée par Pleiku.
L’inférence causale : ce qu’il faut retenir
Chapitre 4 — Données et tableaux croisés
Question de fond : un tableau croisé permet-il une inférence causale ?
Pourquoi les méthodes quantitatives ?
Ce que sont les méthodes quantitatives
Le codage transforme des concepts en nombres : les données quantitatives reposent aussi sur des choix théoriques.
Les atouts du quantitatif
Chaque outil statistique repose sur des postulats : la validité de l’inférence dépend des conditions dans lesquelles on l’utilise.
Les données
Données, population, échantillon
La population dépend de la question de recherche. L’inférence consiste à passer des cas observés à l’ensemble auquel on veut généraliser.
Échantillonner : aléatoire ou non ?
Le tirage aléatoire donne une probabilité connue et non nulle d’inclusion et permet de quantifier l’incertitude. Il est distinct de l’assignation aléatoire du traitement.
Quotas : on reproduit certaines proportions de la population (âge, sexe…). Cela ne fournit pas une probabilité connue d’inclusion pour chaque unité.
L’unité d’observation
Une dyade-année = une paire de pays observée pendant une année. La même paire revient donc plusieurs fois si l’étude couvre plusieurs années.
Trois articles, trois unités d’observation
Le nombre de lignes dépend de l’unité retenue. Compter les années d’une même dyade ou plusieurs épisodes d’un même pays comme des cas indépendants surestime l’information disponible.
Le fichier de données : une matrice
Le fichier de données dans R
conflit est dichotomique (0/1), même si R l’affiche sous le type numérique dbl. Il faut regarder le codage, en plus du format informatique.
Où trouver les données
Coder : transformer le monde en variables
Changer la définition, le seuil ou la source peut changer le résultat. Les choix de codage doivent être explicités et justifiés.
Exemple : l’Espagne de 1898 a un score de 7. Avec un seuil de démocratie à 6, la guerre hispano-américaine compte comme une guerre entre démocraties ; avec un seuil à 8, ce cas change de catégorie.
Variables et niveaux de mesure
Une constante prend la même valeur pour toutes les observations : elle n’offre aucune variation à expliquer.
Pour repérer le niveau de mesure :
- Y a-t-il un ordre entre les valeurs ?
- Les distances entre les valeurs sont-elles mesurables ?
- Y a-t-il un zéro absolu, qui signifie l’absence de la caractéristique ?
Exemple : 0 °C n’est pas une absence de température.