École Nationale Supérieure de
Techniques Avancées

Résumé

L'inférence causale est un domaine de recherche en statistique qui vise à comprendre les relations entre une exposition (ou traitement) et un résultat. Ce domaine trouve ses applications dans divers champs tels que les sciences sociales, la santé, et l'économie. L'analyse en médiation, un sous-domaine de l'inférence causale, vise à identifier et à quantifier l'effet indirect du traitement sur le résultat par le biais d'une ou plusieurs variables intermédiaires appelées médiateur(s). Réaliser une estimation en médiation implique une conception correcte de l'étude, une sélection méticuleuse des médiateurs, et une prise en compte approfondie des variables confondantes. Ce stage prend part lors de la rédaction d’un article de Judith Abecassis, Julie Josse, et Bertrand Thirion (2022), et trouve sa contribution dans le développement du package med_bench au sein de l'équipe SODA du laboratoire INRIA Saclay. Le package med_bench est destiné à enrichir l'accessibilité de divers estimateurs pour la médiation tels que le produit des coefficients, la g-computation, et l’Inverse Probability Weighting (IPW). Ces estimateurs, certains seulement disponibles en R ou Python, seront harmonieusement implémentés avec différentes variantes et leurs performances seront comparées. Les contributions décrites dans ce rapport résident dans l'amélioration de la librairie med_bench, à travers une documentation rigoureuse et une gamme de tests construits à l'aide de pytest, ainsi que deux nouvelles implémentations Python pour la médiation causale, l'estimateur multiply-robust et l'estimateur Double Machine Learning (DML). Nous fournissons également une évaluation des performances de ces deux implémentations.