Critique de Causality

Critique de Causality : un langage pour les questions auxquelles les données seules ne répondent pas

Cette critique de Causality part de la distinction dont le livre de Judea Pearl tire sa force durable : voir deux variables évoluer ensemble ne revient pas à savoir ce qui arriverait si l'une d'elles était volontairement modifiée. Causality: Models, Reasoning, and Inference veut formaliser cette différence. Diagrammes, équations structurelles, notation interventionnelle et contrefactuels ne sont pas ici des procédés indépendants ; ils constituent un système qui convertit une question causale en hypothèses pouvant être examinées, discutées et, lorsque les conditions le permettent, mises en relation avec des données.

Ce projet rend l'ouvrage plus important, mais aussi moins immédiatement accueillant, que ne le suggère son titre simple. Pearl ne livre ni un ouvrage de vulgarisation scientifique narrative sur les causes des événements, ni un manuel statistique traditionnel centré sur les estimateurs et les logiciels. Il entreprend de reconstruire la grammaire de l'inférence. Son geste essentiel consiste à représenter un mécanisme hypothétique de production des données au lieu de traiter une distribution de probabilités conjointe comme une description complète du monde. Les flèches d'un graphe causal portent des engagements directionnels ; une intervention modifie le modèle plutôt qu'elle ne se contente de sélectionner un sous-groupe parmi les observations.

Il en résulte un livre fondamental dont la thèse est remarquablement claire : une conclusion causale requiert des hypothèses causales, et un bon formalisme doit les rendre visibles au lieu de les dissimuler dans la prose ou dans des choix habituels de modélisation. Les lecteurs qui s'intéressent aux rapports entre explication scientifique et preuve peuvent le rapprocher de notre sélection philosophie et psychologie, même si son sujet immédiat est la logique de la recherche empirique.

La distinction décisive entre observer et intervenir

L'apport central de Pearl consiste à ne pas laisser l'observation se confondre avec l'intervention. Une probabilité conditionnelle demande ce que l'on observe généralement parmi les cas où une variable a une valeur donnée. Une intervention demande ce qu'il adviendrait si cette valeur était imposée et si les mécanismes qui la déterminent habituellement étaient modifiés. Les deux peuvent coïncider dans un dispositif soigneusement contrôlé, mais ce n'est pas garanti. Le biais de confusion explique précisément une part de leur divergence.

L'opérateur do donne une notation ramassée à cette différence. Plus décisive encore est la discipline qu'il impose : avant d'estimer un effet, l'analyste doit dire quelle action il imagine et de quelle façon elle transforme le système. Les diagrammes causaux servent ensuite à établir si un effet est identifiable à partir des informations disponibles. Le critère de la porte arrière indique quand un ajustement bloque des chemins non causaux entre une cause envisagée et un résultat ; le critère de la porte avant montre que, dans certaines structures, un médiateur peut aider à identifier un effet même lorsque tous les facteurs de confusion directs ne sont pas observés.

Le livre devient alors intellectuellement libérateur. Il remplace la règle grossière consistant à contrôler toute covariable disponible par une question structurelle : quels chemins une variable ouvre-t-elle ou ferme-t-elle ? Le conditionnement peut réduire un biais, n'être d'aucun secours ou en créer un en ouvrant un chemin par un collisionneur. Le graphe ne rend pas vraies les hypothèses de fond, mais il révèle ce que l'analyse suppose. Ce passage d'une liste indifférenciée à un modèle raisonné du problème est l'une des leçons les plus précieuses du livre.

Les lecteurs venus de la prédiction doivent aussi respecter cette frontière. Une prévision peut être très exacte sans identifier les conséquences d'une action. Notre critique de The Signal and the Noise aborde de façon voisine le jugement probabiliste, mais Pearl pose une autre question : quand un modèle permet-il de répondre à une intervention hypothétique ?

Comment l'argument va des graphes aux contrefactuels

L'architecture est cumulative. Pearl commence par les probabilités, les graphes et les modèles causaux, avant d'examiner ce que l'on peut inférer de la structure causale. Les chapitres intermédiaires traitent de l'identification des effets d'actions, de plans et de voies directes ou indirectes. Les chapitres ultérieurs développent les contrefactuels structurels, les expériences imparfaites, les probabilités de causalité et la notion difficile de cause effective. Dans la seconde édition, un important chapitre final revient sur les prolongements et les débats suscités par l'accueil de l'ouvrage.

Cette progression est essentielle : Causality n'est pas un simple guide des graphes orientés acycliques. Les diagrammes sont l'interface d'une conception structurelle plus profonde. Un modèle relie les variables endogènes à leurs causes directes et à des facteurs de contexte ; une intervention en remplace une partie ; un contrefactuel demande comment un résultat varierait dans une autre situation au sein de cette structure. L'ambition de Pearl est d'unifier l'association, l'intervention et la comparaison contrefactuelle en les présentant comme liées, mais non interchangeables.

Lorsqu'il est le plus convaincant, l'exposé transforme des problèmes philosophiques en problèmes opérationnels sans laisser croire que les symboles remplacent le jugement. Effets directs, médiation, changements de politique ou nécessité et suffisance d'un événement reçoivent des formulations précises. Le chapitre sur le paradoxe de Simpson et le biais de confusion explique pourquoi la décision d'agréger ou de stratifier des données ne peut reposer sur une simple forme statistique. La discussion de la causalité effective montre aussi l'ampleur du projet : Pearl vise non seulement les effets moyens d'un traitement, mais les explications d'événements singuliers.

Cette amplitude est stimulante, mais son rythme de lecture est inégal. Certaines pages proposent un panorama conceptuel d'orientation ; d'autres passent rapidement par définitions, démonstrations et transformations symboliques. Il vaut mieux lire avec du papier, redessiner les graphes et reconstruire les raisons de chaque affirmation de séparation ou d'intervention.

Forces : précision, unification et honnêteté intellectuelle

La première force est la précision. Pearl exige qu'une affirmation causale dise plus qu'une relation statistique et fournit une notation pour porter ce sens supplémentaire. Les désaccords peuvent alors quitter l'intuition vague pour devenir explicites : quelles flèches suppose-t-on ? quelles variables restent non mesurées ? quelle intervention est visée ? quelles relations d'indépendance suivent du graphe ? la quantité recherchée peut-elle être exprimée à partir de la distribution observée ?

Vient ensuite l'unification. Les statistiques, l'intelligence artificielle, l'épidémiologie, l'économie, les sciences sociales et la philosophie parlent souvent de causalité dans des langues différentes. Causality n'efface pas ces différences, mais propose un cadre structurel commun pour comparer raisonnement probabiliste, interventionnel et contrefactuel. C'est pourquoi le livre dépasse la dimension d'une monographie spécialisée, même dans ses passages très techniques.

Enfin, le formalisme rend les limites visibles. Un graphe causal n'est pas un détecteur automatique de vérité et le calcul do ne produit pas une identification à partir d'un modèle pauvre. La méthode peut au contraire démontrer qu'un effet cible n'est pas identifiable sous les hypothèses posées. Ce résultat négatif a une valeur scientifique : il évite de confondre aisance algébrique et preuve, et indique où il faut des mesures, des expériences ou des connaissances de domaine supplémentaires.

L'ouvrage a donc sa place dans un parcours sciences et nature, même s'il ne s'agit pas d'un ouvrage de vulgarisation scientifique narrative. Il traite du raisonnement qui relie les preuves aux explications et aux choix de politique publique. Pour d'autres lectures sur l'incertitude, on peut aussi explorer notre parcours de lecture sciences et grandes questions.

Réserves : fondations exigeantes et peu de recettes pratiques

Pearl affirme que des bases en probabilités et une familiarité avec les graphes suffisent pour commencer, et le chapitre liminaire reprend les notions essentielles. Commencer n'est cependant pas lire sans effort. La notation se densifie, les arguments s'accumulent et l'étendue interdisciplinaire du livre introduit rapidement des éléments de logique, de statistique, de théorie des graphes, de philosophie et de modélisation par équations structurelles. Des lecteurs peu sûrs d'eux en mathématiques peuvent saisir la thèse tout en perdant les détails qui la soutiennent.

Le livre s'intéresse bien davantage à l'identification qu'à l'estimation. Il demande si une quantité causale peut, en principe, être retrouvée sous un modèle ; il apporte beaucoup moins d'aide sur les échantillons finis, les diagnostics, les intervalles d'incertitude, le nettoyage des données ou les logiciels contemporains. Cette priorité est cohérente, mais un lecteur tourné vers la pratique aura besoin d'un texte ou d'un cours complémentaire pour passer de l'identification formelle à une analyse complète. Ce n'est pas l'ouvrage à ouvrir pour un tutoriel centré sur le code.

Une autre réserve est conceptuelle. La clarté graphique peut donner une illusion de certitude si les flèches sont prises pour des découvertes, et non pour des hypothèses éclairées par le savoir du domaine, le dessin de l'étude et les preuves. Les données observationnelles peuvent éliminer certaines structures sous des conditions précises, mais de nombreuses questions demeurent sensibles aux variables non mesurées et aux choix de modèles disputés. Le cadre de Pearl est justement précieux parce qu'il affiche ces engagements ; il faut encore les défendre.

Enfin, le livre se situe dans un programme de recherche spécifique. Sa synthèse est puissante, mais l'inférence causale comprend aussi les traditions des résultats potentiels, les approches fondées sur les plans d'étude et des méthodes disciplinaires qui mettent l'accent ailleurs. Il faut donc lire Causality comme un cadre fondateur, et non comme le dernier mot de chaque débat méthodologique.

Qui devrait lire Causality, et comment ?

Le lecteur idéal est un étudiant de troisième cycle, un chercheur ou un praticien techniquement curieux qui connaît les bases des probabilités et souhaite comprendre la logique derrière les diagrammes causaux et les paramètres à estimer. Les statisticiens y verront une explication vigoureuse de l'impossibilité de réduire la notation causale au seul conditionnement. Les informaticiens verront les modèles graphiques passer de la croyance incertaine aux interventions et aux explications. Les chercheurs en sciences sociales et en épidémiologie disposeront d'un langage rigoureux pour raisonner sur l'ajustement, la médiation et le biais de confusion.

Pour une première approche, il est raisonnable de suivre l'invitation de Pearl et de commencer par l'épilogue non technique, puis de lire les introductions conceptuelles avant d'attaquer la séquence formelle. Une seconde lecture peut reprendre dans l'ordre les fondements graphiques et les chapitres centraux d'identification. Reproduire de petits diagrammes sert mieux que lire les équations comme une prose littéraire. Il s'agit d'apprendre ce qui change lorsqu'un chemin est bloqué, lorsqu'on conditionne un collisionneur ou lorsqu'une intervention retire les causes ordinaires d'une variable.

Ce n'est pas le meilleur premier livre pour qui cherche une introduction accessible et actuelle à l'inférence causale, un ensemble d'études de cas sur données ou une méthode de programmation immédiatement utilisable. Il convient tout aussi peu à ceux qui désirent un ouvrage généraliste de vulgarisation avec peu de notation. Un texte d'introduction permettra à ces lecteurs de mieux apprécier les idées de base avant de revenir à Pearl pour en éprouver les fondements.

Lectures alternatives et complémentaires

Aucun ouvrage voisin du catalogue ne remplace le cadre technique de Pearl, mais certains aiguisent des compétences proches. Fooled by Randomness examine notre propension à raconter des résultats bruités comme de l'habileté ou comme des causes ; il est plus accessible et plus essayistique, mais beaucoup moins formel. Thinking, Fast and Slow étudie le jugement et les biais cognitifs, ce qui aide à comprendre pourquoi des récits causaux intuitifs paraissent convaincants malgré une base probante faible. Aucun des deux n'enseigne les modèles causaux structurels.

Les lecteurs d'abord intéressés par la prédiction probabiliste préféreront peut-être The Signal and the Noise avant cet ouvrage. Ceux qui veulent une méthode appliquée d'analyse causale devraient associer Pearl à un texte récent sur l'estimation, l'analyse de sensibilité et les logiciels. Les lecteurs issus des sciences sociales gagneront aussi à lire une introduction aux modèles graphiques et aux résultats potentiels qui rende explicites leurs accords et leurs différences.

Le bon choix ne dépend donc pas de la question de savoir si le livre est accessible à tous. Il dépend de la nécessité de la machinerie conceptuelle qu'il propose. Pour ajuster vite un modèle, Causality semblera indirect. Pour déterminer ce qu'il faut supposer afin qu'un motif observationnel réponde à une question d'intervention ou de contrefactuel, peu de livres vont aussi loin.

Verdict final

Causality est un livre majeur parce qu'il formalise le raisonnement causal sans prétendre que le formalisme abolit le jugement scientifique. Ses graphes et ses opérateurs distinguent ce qui est vu de ce qui est fait, indiquent quand un effet peut être retrouvé et révèlent quand les hypothèses disponibles sont insuffisantes. Cette réussite a un coût : une lecture exigeante, parfois austère, qui s'intéresse peu aux logiciels et aux procédures ordinaires d'estimation.

Pour les lecteurs préparés mathématiquement, ce coût est justifié. Le livre change la formulation d'une question de recherche avant toute régression. Au lieu de demander « quelles variables sont corrélées ? », il invite à demander quelle intervention ou quel contrefactuel est en jeu, quelle structure le rend pertinent et quelles preuves peuvent l'identifier. C'est une contribution plus profonde et plus durable qu'un simple ensemble de techniques. Les lecteurs en quête de fondements devraient le tenir pour essentiel ; ceux qui recherchent d'abord une introduction accessible ou pratique gagneront à l'aborder plus tard, avec un guide complémentaire.