1. Qu'est-ce qu'un modèle?
Réflexions philosophiques à partir de
l'analyse causale en sciences sociales
Federica Russo
https://blogs.kent.ac.uk/federica
Center Leo Apostel, VUB
Centre for Reasoning, Kent
2. Aperçu
Pluralisme méthodologique
Quelques exemples de modèle en sciences sociales
Modèles et causalité
Modèles d’association vs modèles causaux
Segmentation de l’inférence causale
Modèles et variation
La logique de construction et test de modèles
Modèles et modélisation
Une stratégie générale pour la construction des modèles
2
4. Une gamme de modèles
Différents modèles statistiques
Il y en a pour tous les besoins
Modèles statistiques en sciences sociales
Analyse quantitative de données
Recherche de généralités dans ces données
Comment, nous allons le voir
4
5. Modèles structurels
Modèles à équations
structurelles
Décomposition marginal-
conditionnelle
Interprétation de la
décomposition et
du graphe associé
en termes de mécanisme
5
6. Modèles multiniveaux
Modéliser les hiérarchies
sociales
Un modèle pour étudier l’effet
des variables d’agrégation sur
les variables individuelles
6
7. DAG – graphes acycliques dirigés
L’intelligence artificielle revitalise
le débat sur la causalité
Une approche algorithmique
basée sur:
Causalité probabiliste
Condition Causale de Markov
De l’IA aux sciences sociales?
7
8. … et d’autres encore …
e.g.: modèles à structure de covariance,
tables de contingence, potential outcome
models, Granger models, …
10. Qu’est-ce qu’un modèle ?
Un outil pour étudier un phénomène donné
Analyse qualitative / quantitative
Analyse comparative
Dans l’analyse quantitative
Bases de données
Types de données, types de variables
Outils statistiques
Types de modèles
Outils graphiques
DAGs, représentations graphiques de modèles statistiques
10
11. Modèles d’association vs
Modèles causaux
Y-a-t-il des associations? Y-a-t-il des relations de causalité?
Contexte socio-démo-politique Contexte socio-démo-politique /
/ connaissance d’arrière plan connaissance d’arrière plan
Hypothèses statistiques Hypothèses statistiques
Hypothèses «extra-statistiques»
Hypothèses causales
Méthodologie hypothetico-
déductive
11
12. La segmentation de l’inférence causale
Collecte de données
• Choix des variables, concepts, indicateurs
• Connaissance d’arrière plan
Modèle statistique général
• Une famille de fonctions de distributions
• Données: une réalisation du «chance set up»
Modèle statistique spécifié
• Modèle d’association
• Description du chance set up en termes de dépendences
Modèle causale
• Modèle statistique «augmenté»
12
13. Que modélise-t-on ?
Des phénomènes sociaux
Les mécanismes qui le produisent
On cherche à ouvrir la boîte noire
Dans quels buts?
Causalité / explication
Intervention
Prédiction
13
15. Causalité:
épistémologie vs ontologie
Comment établissons-nous des relations causales ?
Une question épistémologique
La recherche d’une « logique» (rationale)
Qu’est-ce que la causalité?
Une question ontologique
La recherche de définitions
Les philosophes ont réfléchi bcp plus à l’ontologie
Épistémologie et méthodologie: une frontière floue
15
16. La logique de variation
Quel concept guide la construction et
test du modèle ?
Régularité, manipulation, invariance, …
Donner à chaque concept sa bonne place
dans l’analyse causale
16
17. Variation et construction du modèle
Y-a-t-il des co-variations significative
(entre variables) ?
D’après la connaisse d’arrière plan
Sous forme de dépendance dans le modèle
statistique spécifié
17
18. Variation et causalité
Ces variations sont-elles causales ?
Décomposition récursive
Exogéneité
Invariance
Régularité
Des contraintes sur les variations dans le but
d’une interprétation causale
18
20. Modélisation:
Un parapluie sur les modèles
Il faut distinguer:
Un modèle particulier pour étudier
les données à disposition dans un contexte donné
Une stratégie de modélisation à suivre
dans la construction de n’importe quel modèle
20
21. Méthodologie hypothetico-déductive
En bref et par étapes:
1. Formulation des hypothèses
2. Construction du modèle conceptuel
3. Transformation en un modèle opérationnel
4. Test et interprétation
Pas de lapins causales de chapeaux statistiques
Pas de confession des données après torture
Déduction au sens large
21
22. Validité et verité
Validité d’un modèle
Interne, Externe, …
Représentativité de l’échantillon,
possibilité de répliquer l’étude
«Mon modèle, tient-il la route?»
Vérité d’un énoncé (causale)
Un «raccourci» du problème de la validé ?
22
23. Pour conclure
Pluralisme méthodologique
Adapter les modèles statistiques selon ses besoins
Adopter une stratégie commune de modélisation
Logique de variation pour la construction et test des modèles
A chaque concept sa place dans l’analyse causale
Segmenter l’inférence
Le passage de l’association à la causalité
requiert bien plus d’une sophistication des statistiques
Validité et vérité
Un modèle n’est pas vrai, tout au plus il est cohérent, solide,
bref valide
23
24. Sugestions de lecture
Russo F. (2009). Causality and Causal Modelling in the Social Sciences. Measuring Variations, Springer.
Russo F. (2011). Correlational data, causal hypotheses, and validity. Journal for General Philosophy of
Science, 42(1), 85-107.
Russo F., Mouchart M., Wunsch G. (2011). Inferring causality through counterfactuals in observational
studies. Some epistemological issues. Bulletin of Sociological Methodology, 111, 43-64.
Mouchart M., Russo F., Wunsch G. (2010). Inferring causal relations by modelling structures. Statistica,
LXX(4), 411-432.
Mouchart M. and Russo F. (2011). Causal explanation: recursive decompositions and mechanisms, in Illari
P., Russo F. and Williamson J. (eds), Causality in the sciences, 317-337, Oxford University Press.
Wunsch G., Russo F., Mouchart M. (2010). Do we necessarily need longitudinal data to infer causal
relations?, Bullettin de Methodologie Sociologique – Bullettin of Sociological Methodology, 106 (1), 5-18.
Moneta A. and Russo F. On the segmentation of causal inference. In preparation.
24
