Un des objectifs en inférence causale est l’estimation des effets causaux des causes établies pour un évènement donné (par exemple la survenue d’une maladie). Dans cet exposé, je présenterai un aperçu des Structural Causal Models (SCMs, développés notamment par Pearl). Les SCMs reposent sur deux outils principaux : les DAGs (Directed Acyclic Graphs) et les SEMs (Structural Equation Models), qui décrivent le système causal conduisant à l’évènement étudié. Les SCMs présentent plusieurs avantages par rapport à d’autres cadres introduits précédemment, comme les Marginal Structural Models de Robins. Ils permettent en particulier la définition précise des variables contrefactuelles (ou résultats potentiels), et la clarification de certaines hypothèses classiques telles de la consistance et l'ignorabilité. Ils permettent également d’étudier des conditions sur le DAG, assurant l’identifiabilité des effets causaux à partir des données disponibles, et ce en présence de biais de confusion et/ou de sélection. Si le temps le permet, j’évoquerai également le principe des analyses en médiation qui visent à décomposer les effets causaux en effet direct et indirect (médié par un médiateur), ainsi que la question des fractions attribuables (qui mesurent la proportion de cas d’une maladie qui aurait été évitée en l’absence de l’exposition).
