L’inférence causale

Dans l’inférence causale nous tentons de démontrer que certains éléments sont les causes des effets que nous observons. Etant donné que nous n’observons que rarement, voire jamais, le lien direct de cause à effet, nous devons faire une inférence. La façon de procéder dans une telle inférence dépend fortement de l’approche de causalité que nous adoptons. À nouveau, notre inférence causale sera incertaine.

Une grande partie des travaux scientifiques ont une visée d'inférence causale en offrant l'explication à certains phénomènes. Certains auteurs argumentent que l'on peut faire une distinction entre d'un côté des tentatives d'explication de certains phénomènes et de l'autre côté leur compréhension. Les sciences humaines auraient plutôt une vision de compréhension. Comme on n'observe quasiment jamais le lien direct entre la cause et l'effet, on fait une inférence. La façon de faire cette inférence dépend fortement de l'approche choisie. Par exemple, si un crime a été commis, le juge doit faire une inférence sur la personne qui l'a tuée, inférence qui est incertaine car sur la base des informations à disposition, on peut incriminer un innocent.

Introduction

Différentes approches sont présentées pour concevoir la « causalité », souvent en fonction de différentes traditions philosophiques. Dans Causation and Explanation in Social Science publié en 2008, Brady présente les quatre approches observées à travers le temps pour rendre compte d'une causalité :

• conjonction constante : selon Hume, « Constant conjunction of causes and effects required by the neo-Humean approach ». Si deux phénomènes se produisent plus ou moins de manière systématique en même temps par exemple que le soleil se lève quand le coq crie, alors ceci nous indique qu'il y a un lien de causalité entre ces deux phénomènes. Cette façon de procéder pose le problème de la symétrie, c'est-à-dire que l'on observe deux phénomènes en même temps mais que l'on ne peut pas dire ce qui est la cause et ce qui est l'effet. Pour résoudre ce problème, il faut observer la temporalité, la séquence temporelle. Cette approche est souvent remise en question car ne donne pas beaucoup d'informations sur le lien entre cause et effet.
• approche contrefactuelle : « No effect when the cause is absent in the most similar world where the cause is present as required by the counterfactual approach ». Lorsque l'on observe l'effet et la cause, on s'imagine un monde qui est le plus similaire que possible au monde, on imagine la présence de la cause et de l'effet. Ce monde similaire se scinde seulement par la non présence de la cause. Par exemple, pour expliquer la Deuxième guerre mondiale, il ne faut pas oublier que le premier pays à mobiliser ses troupes fut la Pologne en 1939 et que ce fut cette mobilisation qui déclencha la Deuxième guerre mondiale, et non l'Allemagne nazie. En suivant l'approche contrefactuelle, on suppose que la Pologne n'ait pas mobilisé en mars 1939 ses troupes, est-ce que cela aurait amené l'Allemagne à ne pas attaquer. La Deuxième guerre mondiale aurait-elle eu lieu ? Il est évident que oui, et donc on peut stipuler que la mobilisation en Pologne n'est pas la cause de la Deuxième guerre mondiale.
• cause manipulée : « An effect after a cause is manipulated ». On observe de tels effets après avoir manipulé la cause. Cela suppose des expérimentations. C’est l’approche la plus puissante entre terme d’inférence causale. Dans le domaine internationale et les sciences sociales, c’est une approche est problématique. Il n’y a qu’en psychologie qu’on arrive à utiliser cette approche de manière systématique.
• mécanismes : « Activities and processes linking causes and effects required by the mechanism approach ». Quels sont les processus qui lient les causes avec les effets ? On essaie de spécifier exactement ce qui se passe entre la cause et l'effet en terme de mécanismes. On observe deux démocratie et la paix. Que se passe t-il entre ces deux observations ?

Échec de l’analyse (MathML avec SVG ou PNG en secours (recommandé pour les navigateurs modernes et les outils d’accessibilité) : réponse non valide(« Math extension cannot connect to Restbase. ») du serveur « https://en.wikipedia.org/api/rest_v1/ » :): {\displaystyle 𝑑𝑒𝑢𝑥 𝑑é𝑚𝑜𝑐𝑟𝑎𝑡𝑖𝑒𝑠 → ? ? ? ? → 𝑝𝑎𝑖𝑥}

Le simple fait de constater que deux phénomènes se produisent ensemble ne signifie pas forcement un lien de causalité. On essaie de spécifier en détail qui fait qu’une cause provoque un effet. Si on développe une chaine de causalité, on arrive à identifier différents maillons. Pour démontrer, on est forcé de faire une inférence de type causale. Le fait de spécifier uniquement les mécanismes n’est pas forcement convaincant pour mettre en évidence une relation de cause à effet. Une grande partie des recherches dans le domaine des relations internationales s’appuie sur l’idée d’analyser un monde très similaire où la cause n’est pas présente. Lorsqu’on fait l’observation de pays démocratiques qui ne rentrent pas en guerre, on essaie de faire des exemples contrefactuels afin de voir si l’absence de la cause pour la paix, le fait qu’il y ait deux démocraties, fait que le risque de guerre est plus élevé. On peut soit s’imaginer un monde différent où la cause n’est pas présente ou de trouver les contrefaits où la cause n’est pas présente.

Dans Causation. A Unified Framework for the Social Sciences publié en 2005, Gerring plaide pour une vision universelle de la causalité en s’appuyant sur la définition suivante : « [...] a cause raises the probability of an event occurring ». Cette définition est très proche de celle employée dans la ́ littérature récente sur la causalité probabiliste notamment par Pearl dans Causality publié en 2001. Ainsi, les différentes approches pour étudier la causalité comme celles de Brady sont liées à la stratégie empirique utilisée pour démontrer le lien de cause à effet.

Des quatre approches de causalité présentées par Brady, la première ne satisfait plus guère à nos exigences, et la troisième, vue les questions de recherche qui nous intéressent, n’est guère viable. Dans Designing Social Inquiry: Scientific Inference in Qualitative Research publié en 1994 King, Keohane et Verba discutent essentiellement la deuxième approche liée à l’analyse contrefactuelle.

Pour une observation donnée (𝑖) l’effet causal réalisé correspond à la différence entre la situation où la cause est présente (𝐶) et la cause est absente (/𝐶) : 𝑒𝑓𝑓𝑒𝑡 𝑐𝑎𝑢𝑠𝑎𝑙 𝑟é𝑎𝑙𝑖𝑠é = 𝑦!,! − 𝑦/!,! � Etant donné que dans le monde des sciences sociales, comme ailleurs aussi, nous avons le problème de devoir distinguer ce qui est systématique de ce qui ne l’est pas, nous arrivons à la formulation suivante : 𝑒𝑓𝑓𝑒𝑡 𝑐𝑎𝑢𝑠𝑎𝑙 𝑎𝑙é𝑎𝑡𝑜𝑖𝑟𝑒 = 𝑦!,! − 𝑦/!,! Pour enlever la partie non-systématique : 𝑒𝑓𝑓𝑒𝑡 𝑐𝑎𝑢𝑠𝑎𝑙 𝑚𝑜𝑦𝑒𝑛 = 𝐸 𝑒𝑓𝑓𝑒𝑐𝑡 𝑐𝑎𝑢𝑠𝑎𝑙 𝑎𝑙é𝑎𝑡𝑜𝑖𝑟𝑒 𝑒𝑓𝑓𝑒𝑡 𝑐𝑎𝑢𝑠𝑎𝑙 𝑚𝑜𝑦𝑒𝑛 = 𝐸(𝑦!,!) − 𝐸(𝑦/!,!)(= 𝜇!,! − 𝜇/!,!) Etant donné que nous n’observons jamais la même unité d’observation sous exactement les mêmes conditions, une fois avec la présence de la cause et une fois sans la présence de la cause, nous sommes confrontés au « Fundamental Problem of Causal Inference » comme le postule King, Keohane et Verba.

Comment contourner le problème ? Si nous remplaçons l’observation i avec l’observation j, ne correspond à l’effet causal que sous certaines conditions :

• une condition (forte) est celle de l’homogénéité des unités : les unités que l'on compare, si on tient compte de la présence ou de l'absence de la cause (la variable indépendante), devraient percevoir le même salaire (deux personnes n'ayant pas suivi de formation universitaire devraient avoir la même salaire: ça ne fonctionne pas si on compare le salaire de Wawrinka avec mon salaire). Il faut donc choisir deux unités qui se « ressemblent ».
• une condition (moins forte) est celle de l’effet constant : les unités devraient produire le même effet, un effet constant, lorsque la cause est présente. Par exemple, si Wawrinka avait suivi une formation universitaire, il devrait gagner autant en plus que j'en gagnerai en ayant suivi une formation universitaire.

À part adopter une de ces deux conditions, on doit aussi adopter la condition suivante :

• indépendance conditionnelle : l'indépendance conditionnelle est satisfaite quand, par exemple, on tient compte de tous les facteurs qui expliquent le niveau de salaire le fait que la cause soit présente n'est pas affecté par le niveau de salaire. Il n’y a pas de lien entre le niveau de salaire et la formation universitaire. Si on part de l’idée qu’un groupe à une certaine autonomie, il y a plus de risque de s’engager dans un conflit. Il y aurait dans ce cas une causalité de l’autonomie vers le conflit, étant donné que plus on est autonome, plus le risque de conflit est important. Tenant compte de l’autonomie qui influence le conflit ainsi que d’autres facteurs, le fait que c’est un État qui va donner une autonomie à un groupe, cet État va penser le fait de savoir le niveau de conflit va augmenter en donnant une plus grande

autonomie à un groupe.

L’indépendance conditionnelle vient du problème que nous ne pouvons pas, comme dans l’approche expérimentale, choisir aléatoirement nos cas et soumettre au traitement aussi d’une manière aléatoire certaines observations. King, Keohane et Verba postulent qu’avec une sélection aléatoire et un traitement imposé d’une manière aléatoire nous satisfaisons à l’indépendance conditionnelle :

• nous attribuons les causes indépendamment des effets ;
• on évite le problème de biais de sélection ;
• on n’aura pas de problème lié à l’omission de variables.

�� L’approche de causalité liée à l’analyse contrefactuelle est très présente au moins d’une manière implicite dans beaucoup de travaux de recherche en sciences sociales et donc aussi en relations internationales. Cette approche est aussi sous-jacente à plusieurs approches méthodologiques comme celle de Fearon dans Counterfactuals and Hypothesis Testing in Political Science publié en 1991. Evidemment elle n’est pas sans problème, et l’approche basée sur les mécanismes est aussi souvent présente dans la discipline.