Téléchargé parUtrecht University and University College London
Russo ined june12
Le document aborde le concept de modèles en sciences sociales, en mettant l'accent sur la pluralité des approches méthodologiques et la distinction entre modèles d'association et modèles causaux. Il explore également l'importance de la causalité, les mécanismes d'inférence causale, ainsi que les enjeux d'interprétation et de validité des modèles. Enfin, il suggère une stratégie générale de modélisation pour une meilleure compréhension des phénomènes sociaux.
Contenu connexe
Russo ined june12
- 1. Qu'est-ce qu'un modèle? Réflexionsphilosophiques à partir de l'analyse causale en sciences sociales Federica Russo https://blogs.kent.ac.uk/federica Center Leo Apostel, VUB Centre for Reasoning, Kent
- 2. Aperçu Pluralisme méthodologique Quelques exemples de modèle en sciences sociales Modèles et causalité Modèles d’association vs modèles causaux Segmentation de l’inférence causale Modèles et variation La logique de construction et test de modèles Modèles et modélisation Une stratégie générale pour la construction des modèles 2
- 3.
- 4. Une gamme demodèles Différents modèles statistiques Il y en a pour tous les besoins Modèles statistiques en sciences sociales Analyse quantitative de données Recherche de généralités dans ces données Comment, nous allons le voir 4
- 5. Modèles structurels Modèles àéquations structurelles Décomposition marginal- conditionnelle Interprétation de la décomposition et du graphe associé en termes de mécanisme 5
- 6. Modèles multiniveaux Modéliser leshiérarchies sociales Un modèle pour étudier l’effet des variables d’agrégation sur les variables individuelles 6
- 7. DAG – graphesacycliques dirigés L’intelligence artificielle revitalise le débat sur la causalité Une approche algorithmique basée sur: Causalité probabiliste Condition Causale de Markov De l’IA aux sciences sociales? 7
- 8. … et d’autresencore … e.g.: modèles à structure de covariance, tables de contingence, potential outcome models, Granger models, …
- 9.
- 10. Qu’est-ce qu’un modèle? Un outil pour étudier un phénomène donné Analyse qualitative / quantitative Analyse comparative Dans l’analyse quantitative Bases de données Types de données, types de variables Outils statistiques Types de modèles Outils graphiques DAGs, représentations graphiques de modèles statistiques 10
- 11. Modèles d’association vs Modèles causaux Y-a-t-il des associations? Y-a-t-il des relations de causalité? Contexte socio-démo-politique Contexte socio-démo-politique / / connaissance d’arrière plan connaissance d’arrière plan Hypothèses statistiques Hypothèses statistiques Hypothèses «extra-statistiques» Hypothèses causales Méthodologie hypothetico- déductive 11
- 12. La segmentation del’inférence causale Collecte de données • Choix des variables, concepts, indicateurs • Connaissance d’arrière plan Modèle statistique général • Une famille de fonctions de distributions • Données: une réalisation du «chance set up» Modèle statistique spécifié • Modèle d’association • Description du chance set up en termes de dépendences Modèle causale • Modèle statistique «augmenté» 12
- 13. Que modélise-t-on ? Desphénomènes sociaux Les mécanismes qui le produisent On cherche à ouvrir la boîte noire Dans quels buts? Causalité / explication Intervention Prédiction 13
- 14.
- 15. Causalité: épistémologie vs ontologie Comment établissons-nous des relations causales ? Une question épistémologique La recherche d’une « logique» (rationale) Qu’est-ce que la causalité? Une question ontologique La recherche de définitions Les philosophes ont réfléchi bcp plus à l’ontologie Épistémologie et méthodologie: une frontière floue 15
- 16. La logique devariation Quel concept guide la construction et test du modèle ? Régularité, manipulation, invariance, … Donner à chaque concept sa bonne place dans l’analyse causale 16
- 17. Variation et constructiondu modèle Y-a-t-il des co-variations significative (entre variables) ? D’après la connaisse d’arrière plan Sous forme de dépendance dans le modèle statistique spécifié 17
- 18. Variation et causalité Cesvariations sont-elles causales ? Décomposition récursive Exogéneité Invariance Régularité Des contraintes sur les variations dans le but d’une interprétation causale 18
- 19.
- 20. Modélisation: Un parapluie sur les modèles Il faut distinguer: Un modèle particulier pour étudier les données à disposition dans un contexte donné Une stratégie de modélisation à suivre dans la construction de n’importe quel modèle 20
- 21. Méthodologie hypothetico-déductive En brefet par étapes: 1. Formulation des hypothèses 2. Construction du modèle conceptuel 3. Transformation en un modèle opérationnel 4. Test et interprétation Pas de lapins causales de chapeaux statistiques Pas de confession des données après torture Déduction au sens large 21
- 22. Validité et verité Validitéd’un modèle Interne, Externe, … Représentativité de l’échantillon, possibilité de répliquer l’étude «Mon modèle, tient-il la route?» Vérité d’un énoncé (causale) Un «raccourci» du problème de la validé ? 22
- 23. Pour conclure Pluralisme méthodologique Adapter les modèles statistiques selon ses besoins Adopter une stratégie commune de modélisation Logique de variation pour la construction et test des modèles A chaque concept sa place dans l’analyse causale Segmenter l’inférence Le passage de l’association à la causalité requiert bien plus d’une sophistication des statistiques Validité et vérité Un modèle n’est pas vrai, tout au plus il est cohérent, solide, bref valide 23
- 24. Sugestions de lecture RussoF. (2009). Causality and Causal Modelling in the Social Sciences. Measuring Variations, Springer. Russo F. (2011). Correlational data, causal hypotheses, and validity. Journal for General Philosophy of Science, 42(1), 85-107. Russo F., Mouchart M., Wunsch G. (2011). Inferring causality through counterfactuals in observational studies. Some epistemological issues. Bulletin of Sociological Methodology, 111, 43-64. Mouchart M., Russo F., Wunsch G. (2010). Inferring causal relations by modelling structures. Statistica, LXX(4), 411-432. Mouchart M. and Russo F. (2011). Causal explanation: recursive decompositions and mechanisms, in Illari P., Russo F. and Williamson J. (eds), Causality in the sciences, 317-337, Oxford University Press. Wunsch G., Russo F., Mouchart M. (2010). Do we necessarily need longitudinal data to infer causal relations?, Bullettin de Methodologie Sociologique – Bullettin of Sociological Methodology, 106 (1), 5-18. Moneta A. and Russo F. On the segmentation of causal inference. In preparation. 24