L'Outcome Model : Le moteur du contre-factuel

Pour estimer des contre-factuels (ce qui ne s'est pas produit), caEffect a besoin de prédictions issues de modèles préalablement entraînés. Via le paramètre outcomeModel, l'action permet de restaurer un modèle sauvegardé (généralement une table binaire issue d'une action saveState) pour effectuer du scoring en temps réel sur les données. En spécifiant le predName, vous pointez directement vers la variable de prédiction générée par le modèle (souvent préfixée par P_). Cette approche permet d'intégrer des algorithmes complexes de Machine Learning dans un flux d'inférence statistique rigoureux.

Pourquoi l'intégration d'un modèle de résultats est-elle la clé d'une analyse causale robuste ? - caEffect

Pour estimer des contre-factuels (ce qui ne s'est pas produit), caEffect a besoin de prédictions issues de modèles préalablement entraînés. Via le paramètre outcomeModel, l'action permet de restaurer un modèleReprésentation mathématique entraînée sur des données pour capturer des tendances, prédire des résultats ou classifier des observations via des algorithmes (Régression, Forêt aléatoire, Gradient Boosting). sauvegardé (généralement une table binaire issue d'une action saveState) pour effectuer du scoringProcessus d'application d'un modèle prédictif à de nouvelles données pour calculer une probabilité ou un score, permettant ainsi d'automatiser la prise de décision en temps réel sur SAS Viya. en temps réel sur les données. En spécifiant le predName, vous pointez directement vers la variable de prédiction générée par le modèleReprésentation mathématique entraînée sur des données pour capturer des tendances, prédire des résultats ou classifier des observations via des algorithmes (Régression, Forêt aléatoire, Gradient Boosting). (souvent préfixée par P_). Cette approche permet d'intégrer des algorithmes complexes de Machine LearningBranche de l'IA utilisant des algorithmes pour apprendre des modèles à partir de données. Il permet d'automatiser des prédictions ou des décisions sans programmation explicite de chaque règle. dans un flux d'inférence statistique rigoureux.

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

Pour garantir la robustesse de l'analyse, assurez-vous que votre modèle de résultat a été entraîné sur une table incluant à la fois les variables de traitement et les covariables. Une erreur classique consiste à oublier de propager les attributs de scoring via l'action table.saveState ; sans ces métadonnées, l'action caEffect ne pourra pas reconstruire l'espace de prédiction nécessaire.

Architecture technique de l'intégration causale

Restauration d'état (Astore) : L'utilisation du paramètre outcomeModel s'appuie sur le moteur Analytic Store, permettant de transporter un modèle complexe (Gradient Boosting, Forêt aléatoire) directement dans l'unité de calcul de l'analyse causale.
lignement des variables predName : Le paramètre predName doit correspondre exactement à la colonne de probabilité (ex: P_Target1) générée lors de la phase d'entraînement pour assurer la continuité du flux de données.
Double Robustesse : En combinant l'Outcome Model avec un Propensity Score, SAS Viya applique des méthodes de type Doubly Robust Estimation, minimisant les biais même si l'un des deux modèles est légèrement mal spécifié.