Prendre une décision business sur une estimation ponctuelle est risqué. C'est pourquoi l'action propose le paramètre inference. Lorsqu'il est activé, caEffect calcule non seulement les estimations d'effets, mais aussi les erreurs types et les intervalles de confiance associés. Vous pouvez ajuster le niveau de confiance via le paramètre alpha (par défaut 0.05 pour un intervalle à 95%). De plus, l'option pomCov permet d'afficher la matrice de covariance des estimations, offrant une vue complète sur la précision statistique de votre analyse causale.
Comment mesurer la fiabilité statistique de vos prédictions avec les paramètres d'inférence ?
Inférence et Précision Statistique
Exemples pour l'action caEffect
Estimation basique par pondération (IPW)
Utilisation de la méthode IPW pour estimer les moyennes des résultats potentiels en se basant sur les scores de propension déjà présents dans la table.
Analyse robuste AIPW avec modèle de résultat externe
Exemple complet utilisant la méthode AIPW (Augmented IPW) qui nécessite à la fois les probabilités de traitement (modèle de propension) et les prédictions de résultat (modèle de réponse) pour une robustesse maximale face aux erreurs de spécification.
Conseil de l'Expert
Ne confondez pas la significativité statistique et l'importance métier. Utilisez toujours le paramètre alpha en corrélation avec votre tolérance au risque : pour des décisions médicales ou de sécurité, un alpha=0.01 (IC à 99%) est souvent préférable au standard de 95%.
Cette réponse vous a-t-elle aidé ?
À lire aussi...
Pourquoi l'intégration d'un modèle de résultats est-elle la clé d'une analyse causale robuste ?
Comment booster vos analyses de décision grâce à l'estimation des effets causaux avec caEffect ?
Comment gérer les observations atypiques avec le paramètre de pondération inverse ?
AIPW, TMLE ou REGADJ : quelle méthode de calcul choisir pour sécuriser vos impacts métier ?
Variables binaires ou continues : l'action caEffect peut-elle s'adapter à toutes vos données ?