{"id":14920,"date":"2026-10-08T04:15:31","date_gmt":"2026-10-08T04:15:31","guid":{"rendered":"http:\/\/french.arabpsychology.com\/theorists\/donald-rubin-1943-a-nos-jours\/"},"modified":"2026-10-08T04:15:31","modified_gmt":"2026-10-08T04:15:31","slug":"donald-rubin-1943-a-nos-jours","status":"publish","type":"psych_theorist","link":"https:\/\/french.arabpsychology.com\/?psych_theorist=donald-rubin-1943-a-nos-jours","title":{"rendered":"Donald Rubin – De 1943 \u00e0 nos jours"},"content":{"rendered":"

Dans l’histoire des sciences quantitatives et de l’\u00e9pist\u00e9mologie contemporaine, peu de figures ont exerc\u00e9 une influence aussi structurante, profonde et universelle que le statisticien am\u00e9ricain Donald Rubin<\/a>. N\u00e9 au milieu du vingti\u00e8me si\u00e8cle, Rubin n’a pas seulement enrichi l’arsenal des m\u00e9thodes math\u00e9matiques ; il a litt\u00e9ralement red\u00e9fini la mani\u00e8re dont la science moderne conceptualise la causalit\u00e9, appr\u00e9hende l’incompl\u00e9tude des observations empiriques et navigue dans les incertitudes inh\u00e9rentes \u00e0 la condition humaine. De l’\u00e9valuation des politiques publiques aux essais cliniques de pointe, en passant par les sciences cognitives et le comportement organisationnel, ses perc\u00e9es th\u00e9oriques ont forg\u00e9 le socle m\u00e9thodologique sur lequel repose la recherche empirique actuelle.<\/p>\n

Avant les contributions pionni\u00e8res de Rubin, les sciences sociales et la psychologie se trouvaient prisonni\u00e8res d’une aporie \u00e9pist\u00e9mologique majeure. D’un c\u00f4t\u00e9 r\u00e9gnait l’id\u00e9al exp\u00e9rimental h\u00e9rit\u00e9 de Sir Ronald Fisher, fond\u00e9 sur la randomisation pure, souvent inapplicable pour des raisons \u00e9thiques, pratiques ou logistiques face \u00e0 la complexit\u00e9 des conduites humaines. De l’autre prolif\u00e9rait une utilisation na\u00efve des r\u00e9gressions lin\u00e9aires et des corr\u00e9lations observationnelles, o\u00f9 la confusion entre simple association statistique et d\u00e9termination causale entretenait des diagnostics erron\u00e9s et des th\u00e9ories psychologiques fragiles. En introduisant le mod\u00e8le des r\u00e9sultats potentiels (Potential Outcomes<\/em>), le score de propension, la formalisation rigoureuse des donn\u00e9es manquantes et l’algorithme EM, Rubin a apport\u00e9 une grammaire unifi\u00e9e capable de surmonter ce clivage.<\/p>\n

Cet article propose une exploration int\u00e9grale et approfondie de la vie, de l’\u0153uvre et de la port\u00e9e intellectuelle de Donald Rubin, depuis ses ann\u00e9es de formation jusqu’\u00e0 ses d\u00e9veloppements les plus r\u00e9cents \u00e0 l’aube du vingt-et-uni\u00e8me si\u00e8cle. \u00c0 travers l’analyse de ses ruptures paradigmatiques, nous examinerons comment un chercheur initialement form\u00e9 \u00e0 la physique fondamentale a pu m\u00e9tamorphoser les fondations de la psychom\u00e9trie, de la psychologie clinique et des sciences comportementales, \u00e9tablissant un pont indestructible entre la th\u00e9orie des probabilit\u00e9s et l’\u00e9tude scientifique de l’esprit humain.<\/p>\n

1. Introduction biographique et gen\u00e8se intellectuelle (1943-ann\u00e9es de formation)<\/h2>\n

1.1 Origines familiales, formation initiale et transition vers les statistiques<\/h3>\n

Donald Bruce Rubin na\u00eet le 22 d\u00e9cembre 1943 \u00e0 Washington, D.C., dans un contexte historique marqu\u00e9 par l’essor spectaculaire des sciences appliqu\u00e9es et de la recherche op\u00e9rationnelle suscit\u00e9 par la Seconde Guerre mondiale. D\u00e8s ses premi\u00e8res ann\u00e9es de scolarit\u00e9, le jeune Rubin manifeste une app\u00e9tence exceptionnelle pour les disciplines formelles, se distinguant par une pens\u00e9e logique rigoureuse et une intuition spatiale et analytique hors du commun. \u00c9lev\u00e9 dans un environnement familial qui valorise au plus haut point l’\u00e9mulation intellectuelle et la curiosit\u00e9 acad\u00e9mique, il s’oriente tout naturellement vers les sciences fondamentales \u00e0 l’aube de ses \u00e9tudes universitaires.<\/p>\n

Admis \u00e0 la prestigieuse Universit\u00e9 de Princeton<\/a>, Rubin entreprend un cursus de premier cycle en physique. Durant cette p\u00e9riode formatrice, il baigne dans l’atmosph\u00e8re intellectuelle d’une discipline alors au sommet de sa rigueur math\u00e9matique, domin\u00e9e par les principes de la m\u00e9canique quantique et de la thermodynamique statistique. Il obtient son Bachelor of Arts<\/em> en physique en 1965. Cette formation initiale en physique s’av\u00e8re d\u00e9cisive pour la suite de son parcours : elle lui inculque l’exigence d’une mod\u00e9lisation m\u00e9canique et d\u00e9terministe des ph\u00e9nom\u00e8nes, le respect absolu de la validit\u00e9 de mesure et une m\u00e9fiance instinctive envers les constructions math\u00e9matiques abstraites d\u00e9pourvues d’ancrage empirique tangible.<\/p>\n

Cependant, au contact des donn\u00e9es exp\u00e9rimentales et des incertitudes de laboratoire, Rubin commence \u00e0 percevoir les limites d’une physique th\u00e9orique trop \u00e9loign\u00e9e de la complexit\u00e9 d\u00e9sordonn\u00e9e du monde vivant. Son int\u00e9r\u00eat bascule progressivement vers les math\u00e9matiques de l’al\u00e9a et de l’incertitude. Il int\u00e8gre alors l’Universit\u00e9 Harvard<\/a>, o\u00f9 il d\u00e9croche d’abord une ma\u00eetrise en informatique et statistiques en 1966, avant de poursuivre un doctorat au sein du d\u00e9partement de statistique, sous la direction \u00e9clair\u00e9e de William Gemmell Cochran. Cette transition marque l’abandon de l’\u00e9tude des particules inanim\u00e9es au profit des \u00eatres humains et des syst\u00e8mes sociaux.<\/p>\n

Sous la tutelle de Cochran, l’un des g\u00e9ants historiques de la th\u00e9orie de l’\u00e9chantillonnage et de l’analyse des donn\u00e9es observationnelles, Rubin d\u00e9couvre les d\u00e9fis immenses pos\u00e9s par l’inf\u00e9rence en milieu non contr\u00f4l\u00e9. En 1970, il soutient sa th\u00e8se de doctorat intitul\u00e9e The Use of Matched Sampling and Regressional Adjustment to Remove Bias in Observational Studies<\/em>. Ce travail doctoral jette les bases de ce qui deviendra l’\u0153uvre de sa vie : d\u00e9velopper des outils capables d’extraire la v\u00e9rit\u00e9 causale \u00e0 partir de donn\u00e9es imparfaites, bruit\u00e9es et incompl\u00e8tes, caract\u00e9ristiques inh\u00e9rentes aux sciences du comportement et \u00e0 la soci\u00e9t\u00e9 humaine.<\/p>\n

1.2 Environnement intellectuel et influences formatrices \u00e0 Harvard<\/h3>\n

L’ambiance intellectuelle qui r\u00e8gne \u00e0 Harvard dans les ann\u00e9es 1960 et 1970 est marqu\u00e9e par une tension f\u00e9conde entre diff\u00e9rentes visions de l’inf\u00e9rence statistique. D’une part, l’orthodoxie fr\u00e9quentiste, codifi\u00e9e par Jerzy Neyman et Egon Pearson, impose ses tests d’hypoth\u00e8ses et ses intervalles de confiance avec une rigidit\u00e9 parfois dogmatique. D’autre part, les pr\u00e9mices du renouveau bay\u00e9sien, port\u00e9es par des th\u00e9oriciens cherchant \u00e0 quantifier l’incertitude \u00e9pist\u00e9mique du chercheur, commencent \u00e0 fissurer le consensus dominant. C’est dans ce creuset d’id\u00e9es que Donald Rubin d\u00e9veloppe son esprit critique, refusant de s’enfermer dans une \u00e9cole de pens\u00e9e exclusive au profit d’un pragmatisme m\u00e9thodologique exigeant.<\/p>\n

L’influence de William Cochran sur la trajectoire de Rubin est incommensurable. Cochran \u00e9tait l’un des rares statisticiens de son \u00e9poque \u00e0 s’int\u00e9resser s\u00e9rieusement aux \u00e9tudes observationnelles, c’est-\u00e0-dire aux contextes o\u00f9 le chercheur ne peut pas assigner al\u00e9atoirement les sujets \u00e0 des groupes de traitement pour des raisons \u00e9thiques ou pratiques. Cochran transmet \u00e0 Rubin une pr\u00e9occupation fondamentale : comment \u00e9valuer l’effet d’une intervention lorsque les individus s’auto-s\u00e9lectionnent ou sont s\u00e9lectionn\u00e9s par leur environnement ? Cette question r\u00e9sonne particuli\u00e8rement dans les sciences humaines, o\u00f9 les corr\u00e9lations brutes sont trop souvent interpr\u00e9t\u00e9es \u00e0 tort comme des relations de cause \u00e0 effet.<\/p>\n

\u00c0 cette \u00e9poque, les sciences du comportement sont domin\u00e9es par l’utilisation quasi automatique de mod\u00e8les de r\u00e9gression lin\u00e9aire multiple et d’analyses de variance (ANOVA). Rubin per\u00e7oit tr\u00e8s t\u00f4t les limites critiques de ces approches. Il constate que les chercheurs appliquent des \u00e9quations math\u00e9matiques complexes sur des donn\u00e9es observationnelles sans s’interroger sur la plausibilit\u00e9 physique ou conceptuelle des contrefactuels sous-jacents. L’ajustement statistique traditionnel est per\u00e7u comme une formule magique cens\u00e9e gommer les disparit\u00e9s entre groupes, alors qu’en r\u00e9alit\u00e9, il masque souvent des extrapolations hasardeuses et des biais d’endog\u00e9n\u00e9it\u00e9 massifs.<\/p>\n

Face \u00e0 ce constat, Rubin ressent la n\u00e9cessit\u00e9 urgente de doter l’\u00e9valuation des politiques sociales, de la sant\u00e9 mentale et des programmes \u00e9ducatifs d’une assise m\u00e9thodologique quasi-exp\u00e9rimentale d’une rigueur irr\u00e9prochable. Inspir\u00e9 par les programmes gouvernementaux de la Great Society<\/em> am\u00e9ricaine, qui injectent des milliards de dollars dans des r\u00e9formes \u00e9ducatives et sanitaires sans disposer d’outils fiables pour en mesurer le v\u00e9ritable impact, Rubin d\u00e9cide de consacrer son \u00e9nergie \u00e0 la construction d’un cadre conceptuel capable de distinguer l’effet r\u00e9el d’une intervention des artefacts de s\u00e9lection.<\/p>\n

1.3 Passage aux sciences sociales et aux probl\u00e9matiques comportementales<\/h3>\n

D\u00e8s le d\u00e9but des ann\u00e9es 1970, Rubin s’\u00e9loigne des sp\u00e9culations purement abstraites pour collaborer \u00e9troitement avec des sociologues, des \u00e9conomistes de l’\u00e9ducation et des psychologues quantitatifs. Ces interactions interdisciplinaires agissent comme un catalyseur pour sa r\u00e9flexion. En c\u00f4toyant des praticiens confront\u00e9s \u00e0 la r\u00e9alit\u00e9 du terrain, il prend la mesure exacte des failles m\u00e9thodologiques qui gangr\u00e8nent la litt\u00e9rature en psychologie et en sociologie : \u00e9chantillons de petite taille, d\u00e9perdition massive de participants (attrition), questionnaires lacunaires et auto-s\u00e9lection syst\u00e9matique des sujets dans les programmes th\u00e9rapeutiques ou \u00e9ducatifs.<\/p>\n

Rubin comprend que les biais pr\u00e9sents dans les donn\u00e9es non exp\u00e9rimentales ne sont pas de simples bruits de fond que l’on pourrait \u00e9liminer en augmentant ind\u00e9finiment la taille des cohortes. Il s’agit de biais structurels, li\u00e9s \u00e0 la nature m\u00eame des d\u00e9cisions humaines et des contextes socioculturels. Un individu choisissant de suivre une psychoth\u00e9rapie diff\u00e8re fondamentalement, avant m\u00eame le d\u00e9but de la prise en charge, d’un individu qui y renonce, tant sur le plan de la motivation intrins\u00e8que que du soutien social ou de la s\u00e9v\u00e9rit\u00e9 initiale de ses troubles. Les approches statistiques standards de l’\u00e9poque \u00e9taient tragiquement d\u00e9munies pour d\u00e9m\u00ealer ces facteurs intriqu\u00e9s.<\/p>\n

Cette prise de conscience am\u00e8ne Rubin \u00e0 concevoir les pr\u00e9misses d’une th\u00e9orie causale unifi\u00e9e, taill\u00e9e sur mesure pour les sciences humaines. Plut\u00f4t que de contraindre la r\u00e9alit\u00e9 psychologique \u00e0 entrer dans les cases rigides de formules alg\u00e9briques pr\u00e9\u00e9tablies, Rubin fait le choix inverse : il part de la r\u00e9alit\u00e9 humaine du sujet \u2014 un individu dot\u00e9 d’une trajectoire propre, susceptible d’emprunter des chemins diff\u00e9rents selon les choix ou les traitements auxquels il est expos\u00e9 \u2014 pour \u00e9laborer un langage formel adapt\u00e9. Ce changement de perspective marque l’acte de naissance de ce qui deviendra universellement connu sous le nom de Mod\u00e8le Causal de Rubin.<\/p>\n

2. Le Mod\u00e8le Causal de Rubin (RCM) : Fondements th\u00e9oriques<\/h2>\n

2.1 Le concept novateur de r\u00e9sultats potentiels (Potential Outcomes)<\/h3>\n

Le saut conceptuel majeur op\u00e9r\u00e9 par Donald Rubin r\u00e9side dans l’introduction et la formalisation du concept de r\u00e9sultats potentiels<\/strong> (potential outcomes<\/em>), dont la premi\u00e8re formulation syst\u00e9matique appara\u00eet dans son article historique de 1974 intitul\u00e9 Estimating Causal Effects of Treatments in Randomized and Nonrandomized Studies<\/em>, publi\u00e9 dans le Journal of Educational Psychology<\/a>. Bien que des intuitions similaires aient \u00e9t\u00e9 esquiss\u00e9es par Jerzy Neyman en 1923 dans le cadre tr\u00e8s sp\u00e9cifique des essais agronomiques randomis\u00e9s, c’est Rubin qui universalise le concept, l’applique aux \u00e9tudes observationnelles et en fait le fondement ontologique de toute l’inf\u00e9rence causale moderne.<\/p>\n

Sur le plan math\u00e9matique, pour chaque unit\u00e9 statistique index\u00e9e par i<\/em> (qui repr\u00e9sente g\u00e9n\u00e9ralement un \u00eatre humain en psychologie), Rubin postule l’existence de deux grandeurs th\u00e9oriques : $Y_i(1)$<\/span>, qui repr\u00e9sente la valeur que prendrait la variable de r\u00e9ponse si l’unit\u00e9 i<\/em> \u00e9tait expos\u00e9e au traitement exp\u00e9rimental (par exemple, une th\u00e9rapie comportementale), et $Y_i(0)$<\/span>, la valeur que prendrait cette m\u00eame unit\u00e9 si elle \u00e9tait expos\u00e9e au traitement de contr\u00f4le ou au placebo. L’effet causal individuel au niveau du sujet i<\/em> est alors d\u00e9fini de mani\u00e8re limpide par la diff\u00e9rence arithm\u00e9tique :<\/p>\n

Effet Causal Individuel = $Y_i(1) – Y_i(0)$<\/span><\/p>\n

C’est ici qu’intervient ce que Paul Holland qualifiera plus tard, dans un article de synth\u00e8se c\u00e9l\u00e8bre en 1986, de probl\u00e8me fondamental de l’inf\u00e9rence causale<\/strong> : pour un individu donn\u00e9 dans le monde r\u00e9el, il est physiquement et temporellement impossible d’observer simultan\u00e9ment $Y_i(1)$<\/span> et $Y_i(0)$<\/span>. Si le patient re\u00e7oit la th\u00e9rapie, nous observons $Y_i(1)$<\/span>, tandis que $Y_i(0)$<\/span> demeure \u00e0 jamais inobserv\u00e9, rel\u00e9gu\u00e9 au statut d’\u00e9tat contrefactuel. R\u00e9ciproquement, si le patient est assign\u00e9 au groupe t\u00e9moin, $Y_i(0)$<\/span> est mesur\u00e9, mais $Y_i(1)$<\/span> devient la branche contrefactuelle inatteignable. Par cons\u00e9quent, l’inf\u00e9rence causale ne peut jamais \u00eatre un simple probl\u00e8me de calcul d\u00e9terministe ; il s’agit intrins\u00e8quement d’un probl\u00e8me de donn\u00e9es manquantes<\/em>.<\/p>\n

Cette requalification bouleverse le paradigme dominant. L’analyse statistique ne doit plus chercher \u00e0 estimer directement un effet individuel inaccessible, mais doit s’attacher \u00e0 estimer des grandeurs moyennes agr\u00e9g\u00e9es au sein de populations ou sous-populations comparables. En rompant radicalement avec l’\u00e9quation de r\u00e9gression na\u00efve \u2014 qui se contentait d’associer des covariations sans se pr\u00e9occuper de l’existence empirique des mondes contrefactuels \u2014, le cadre de Rubin impose une clarification s\u00e9mantique : un coefficient statistique ne peut pr\u00e9tendre au statut d’effet causal que si l’on est capable de d\u00e9finir explicitement l’\u00e9tat hypoth\u00e9tique dans lequel l’individu aurait \u00e9volu\u00e9 en l’absence de l’intervention.<\/p>\n

2.2 L’hypoth\u00e8se SUTVA (Stable Unit Treatment Value Assumption)<\/h3>\n

Pour que le mod\u00e8le des r\u00e9sultats potentiels soit math\u00e9matiquement et logiquement valide, Rubin formule une condition pr\u00e9alable indispensable, formalis\u00e9e sous l’acronyme SUTVA<\/a> (Stable Unit Treatment Value Assumption<\/em>), ou hypoth\u00e8se de stabilit\u00e9 de la valeur du traitement pour chaque unit\u00e9. Cette hypoth\u00e8se fondamentale comporte deux volets indissociables qui conditionnent l’ensemble des d\u00e9ductions causales qui peuvent en d\u00e9couler.<\/p>\n

Le premier volet postule l’absence d’interf\u00e9rence entre les unit\u00e9s<\/strong>. Cela signifie que le r\u00e9sultat potentiel d’un individu $i$<\/span>, qu’il s’agisse de $Y_i(1)$<\/span> ou de $Y_i(0)$<\/span>, ne doit en aucun cas d\u00e9pendre du statut de traitement assign\u00e9 \u00e0 un autre individu $j$<\/span>. En d’autres termes, le fait que mon voisin re\u00e7oive ou non le traitement ne doit avoir aucun impact direct sur l’expression de mes propres sympt\u00f4mes ou performances. Si une telle contagion se produit \u2014 comme c’est typiquement le cas lors d’une intervention scolaire o\u00f9 des \u00e9l\u00e8ves trait\u00e9s partagent leurs acquis avec des camarades du groupe t\u00e9moin \u2014, l’\u00e9criture m\u00eame de $Y_i(1)$<\/span> devient instable, car elle d\u00e9pend d\u00e9sormais du vecteur complet des assignations de l’ensemble du groupe.<\/p>\n

Le second volet impose l’invariance de la forme du traitement<\/strong>. Il postule qu’il n’existe pas de versions cach\u00e9es ou h\u00e9t\u00e9rog\u00e8nes de l’intervention qui ne seraient pas explicitement mod\u00e9lis\u00e9es. Si un protocole stipule l’administration d’une th\u00e9rapie cognitive de huit semaines, chaque participant assign\u00e9 au statut $Z_i = 1$<\/span> doit recevoir une intervention conceptuellement identique, sans quoi la signification de $Y_i(1)$<\/span> s’\u00e9miette en une multiplicit\u00e9 de sous-r\u00e9sultats non identifi\u00e9s. En psychologie clinique, cette exigence soul\u00e8ve le d\u00e9fi colossal de la fid\u00e9lit\u00e9 de traitement des th\u00e9rapeutes : si un clinicien dispense une variante non document\u00e9e de la th\u00e9rapie, la condition SUTVA est formellement viol\u00e9e.<\/p>\n

Les d\u00e9fis que pose SUTVA dans les recherches \u00e9cologiques, les dynamiques de groupe et la psychologie sociale sont consid\u00e9rables. Dans l’\u00e9tude des r\u00e9seaux sociaux ou de la diffusion des comportements addictifs, l’interf\u00e9rence n’est pas un biais marginal, mais l’objet d’\u00e9tude lui-m\u00eame. Rubin et ses continuateurs ont d\u00e8s lors d\u00e9velopp\u00e9 des extensions m\u00e9thodologiques permettant de rel\u00e2cher SUTVA, notamment par la mod\u00e9lisation explicite des effets de d\u00e9bordement (spillover effects<\/em>) et des assignations en grappes, illustrant la f\u00e9condit\u00e9 d’un cadre conceptuel capable de th\u00e9oriser pr\u00e9cis\u00e9ment ses propres limites.<\/p>\n

2.3 D\u00e9finition de l’effet moyen de traitement (ATE et ATT)<\/h3>\n

\u00c0 partir du moment o\u00f9 le probl\u00e8me fondamental de l’inf\u00e9rence causale emp\u00eache la saisie des trajectoires individuelles isol\u00e9es, le statisticien doit se tourner vers des estimateurs agr\u00e9g\u00e9s. Le mod\u00e8le de Rubin permet de formaliser math\u00e9matiquement deux grandeurs cardinales qui orientent la quasi-totalit\u00e9 des \u00e9tudes d’impact contemporaines : l’effet moyen de traitement (Average Treatment Effect<\/em>, ATE) et l’effet moyen de traitement sur les trait\u00e9s (Average Treatment Effect on the Treated<\/em>, ATT).<\/p>\n

L’ATE<\/strong> mesure l’effet causal moyen que l’on observerait si l’int\u00e9gralit\u00e9 de la population cible \u00e9tait assign\u00e9e au traitement exp\u00e9rimental par rapport \u00e0 une situation o\u00f9 cette m\u00eame population enti\u00e8re serait assign\u00e9e au contr\u00f4le :<\/p>\n

$ATE = \\mathbb{E}[Y(1) – Y(0)] = \\mathbb{E}[Y(1)] – \\mathbb{E}[Y(0)]$<\/span><\/p>\n

De son c\u00f4t\u00e9, l’ATT<\/strong> restreint cette \u00e9valuation \u00e0 la sous-population qui a effectivement re\u00e7u le traitement dans la r\u00e9alit\u00e9 ($Z = 1$<\/span>) :<\/p>\n

$ATT = \\mathbb{E}[Y(1) – Y(0) mid Z = 1] = \\mathbb{E}[Y(1) mid Z = 1] – \\mathbb{E}[Y(0) mid Z = 1]$<\/span><\/p>\n

La distinction entre ATE et ATT s’av\u00e8re primordiale en psychologie et en sant\u00e9 publique. Prenons l’exemple d’un programme d’accompagnement psychologique destin\u00e9 aux v\u00e9t\u00e9rans de guerre souffrant d’un \u00e9tat de stress post-traumatique (ESPT). L’ATT quantify le gain th\u00e9rapeutique r\u00e9el obtenu par les v\u00e9t\u00e9rans qui ont effectivement franchi la porte du dispensaire pour suivre ce programme. En revanche, l’ATE estime ce que ce programme produirait s’il \u00e9tait rendu obligatoire pour l’ensemble des v\u00e9t\u00e9rans, y compris ceux qui ne ressentent aucun trouble ou qui sont farouchement oppos\u00e9s \u00e0 l’aide psychologique. Confondre ces deux mesures conduit \u00e0 des d\u00e9cisions cliniques et financi\u00e8res dramatiquement erron\u00e9es.<\/p>\n

Dans ce sch\u00e9ma, Rubin d\u00e9montre avec une \u00e9l\u00e9gance math\u00e9matique souveraine pourquoi l’assignation al\u00e9atoire constitue l’\u00e9talon-or scientifique. Lorsque l’assignation $Z$<\/span> est rendue ind\u00e9pendante des r\u00e9sultats potentiels par un tirage au sort probabiliste ($Z perp ! ! ! perp (Y(1), Y(0))$<\/span>), l’esp\u00e9rance conditionnelle des r\u00e9sultats observ\u00e9s dans les groupes co\u00efncide parfaitement avec l’esp\u00e9rance des r\u00e9sultats potentiels globaux : $\\mathbb{E}[Y mid Z=1] = \\mathbb{E}[Y(1)]$<\/span> et $\\mathbb{E}[Y mid Z=0] = \\mathbb{E}[Y(0)]$<\/span>. La diff\u00e9rence des moyennes empiriques observ\u00e9es devient alors un estimateur sans biais de l’ATE et de l’ATT, r\u00e9solvant math\u00e9matiquement le dilemme du contrefactuel manquant.<\/p>\n

3. R\u00e9volution de l’inf\u00e9rence causale dans la recherche psychologique<\/h2>\n

3.1 D\u00e9passement du paradigme corr\u00e9lationnel classique<\/h3>\n

L’introduction du mod\u00e8le de Rubin a provoqu\u00e9 une onde de choc salutaire au sein de la recherche psychologique, une discipline historiquement d\u00e9chir\u00e9e entre la tradition exp\u00e9rimentale de laboratoire et la tradition descriptive observationnelle. Pendant des d\u00e9cennies, de larges pans de la psychologie diff\u00e9rentielle, du d\u00e9veloppement et de la psychopathologie s’\u00e9taient r\u00e9sign\u00e9s \u00e0 accumuler des matrices de corr\u00e9lation, accompagn\u00e9es du c\u00e9l\u00e8bre avertissement d\u00e9clam\u00e9 comme un mantra st\u00e9rile : \u00ab corr\u00e9lation n’est pas causalit\u00e9 \u00bb. Pourtant, dans la pratique \u00e9ditoriale, les discussions d’articles glissaient presque syst\u00e9matiquement vers des interpr\u00e9tations causales d\u00e9guis\u00e9es.<\/p>\n

Donald Rubin a d\u00e9nonc\u00e9 avec vigueur l’illusion consistant \u00e0 croire qu’une \u00e9quation de r\u00e9gression multiple, par le simple ajout de variables de contr\u00f4le dans un mod\u00e8le lin\u00e9aire, parvenait \u00e0 \u00ab contr\u00f4ler pour \u00bb les facteurs de confusion. Il a d\u00e9montr\u00e9 que l’ajustement par r\u00e9gression repose sur des hypoth\u00e8ses param\u00e9triques h\u00e9ro\u00efques et inv\u00e9rifiables : lin\u00e9arit\u00e9 stricte des relations, absence d’interactions non mod\u00e9lis\u00e9es et extrapolation sauvage entre des populations qui ne partagent aucun recouvrement empirique. Ajuster une r\u00e9gression sans contrefactuel explicite revenait trop souvent \u00e0 comparer l’incomparable en masquant les \u00e9carts sous un vernis math\u00e9matique illusoire.<\/p>\n

Cette clarification \u00e9pist\u00e9mologique a permis d’op\u00e9rer une distinction nette entre trois notions fondamentales souvent amalgam\u00e9es par les chercheurs :<\/p>\n