Lorsque les tests A/B et les méthodes similaires sont difficiles à mettre en œuvre, l'extraction des effets réels à partir de données observationnelles biaisées par des facteurs de confusion exige à la fois une compréhension mathématique et une vérification intuitive. Cette présentation propose une approche permettant de surmonter efficacement les difficultés liées à la confusion grâce à la plateforme « Effet causal du traitement », intégrée à JMP 19.
JMP 19 représente une évolution significative par rapport à l'ancien « SAS Japan Propensity Score Matching Add-in », implémentant « IPW », qui utilise toutes les données, et la méthode de pointe « AIPW (Dual Robust Method) », qui peut dériver des effets causaux corrects même si l'un des deux modèles est incorrect.
Cette session dévoilera les mécanismes mathématiques de ces méthodes, expliquera les critères de sélection pratiques et proposera une méthode simple pour passer des effets sur l'ensemble de la population (ATE) aux effets sur le groupe traité (ATT). Nous démontrerons également l'utilité d'outils de diagnostic graphique visuels, tels que les graphiques d'équilibre des covariables, qui permettent de vérifier d'un coup d'œil le degré de réduction du biais. À partir de la théorie mathématique, nous proposerons un flux de travail permettant à chacun d'identifier intuitivement les « véritables effets causaux » et de prendre des décisions éclairées.
