Testez vos connaissances en inférence causale : méthodes et applications

Question 1 sur 10 10:00

[{"id":71762,"question":"Quelle méthode permet d'estimer un effet causal en utilisant une variable instrumentale ?","option_a":"Régression linéaire simple","option_b":"Méthode des différences de différences","option_c":"Variables instrumentales (IV)","option_d":"Analyse en composantes principales","option_e":"","option_f":"","bonne_reponse":"C","explication":"La méthode des variables instrumentales (IV) est spécifiquement conçue pour estimer des effets causaux en présence de biais de confusion, sous certaines hypothèses.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0},{"id":71763,"question":"Un biais de confusion survient lorsque :","option_a":"Vrai","option_b":"Faux","option_c":"","option_d":"","option_e":"","option_f":"","bonne_reponse":"A","explication":"Un biais de confusion survient lorsqu'une variable omise influence à la fois la variable explicative et la variable dépendante, faussant ainsi l'estimation de l'effet causal.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0},{"id":71764,"question":"La régression linéaire peut toujours être utilisée pour établir une relation causale entre deux variables.","option_a":"Vrai","option_b":"Faux","option_c":"","option_d":"","option_e":"","option_f":"","bonne_reponse":"B","explication":"La régression linéaire ne suffit pas à établir une causalité, car elle ne contrôle pas automatiquement les biais de confusion ou les variables omises.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0},{"id":71765,"question":"Quel est l'objectif principal de la méthode des différences de différences ?","option_a":"Estimer un effet causal en comparant des groupes avant et après une intervention","option_b":"Calculer une moyenne mobile","option_c":"Détecter des tendances saisonnières","option_d":"Tester l'homogénéité des variances","option_e":"","option_f":"","bonne_reponse":"A","explication":"La méthode des différences de différences compare l'évolution d'un groupe traité et d'un groupe témoin avant et après une intervention pour estimer un effet causal.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0},{"id":71766,"question":"Une variable instrumentale doit satisfaire deux conditions principales : la pertinence et l'exclusion.","option_a":"Vrai","option_b":"Faux","option_c":"","option_d":"","option_e":"","option_f":"","bonne_reponse":"A","explication":"Une variable instrumentale doit être pertinente (corrélée avec la variable explicative) et valide (exclue de l'équation de la variable dépendante), sous l'hypothèse d'exclusion.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0},{"id":71767,"question":"Quel outil logiciel est le plus couramment utilisé pour l'inférence causale ?","option_a":"Excel","option_b":"SPSS","option_c":"R ou Python","option_d":"MATLAB","option_e":"","option_f":"","bonne_reponse":"C","explication":"R et Python sont les outils les plus populaires pour l'inférence causale, grâce à leurs bibliothèques dédiées (comme 'causalml' en Python ou 'MatchIt' en R).","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0},{"id":71768,"question":"L'hypothèse d'indépendance conditionnelle est nécessaire pour identifier un effet causal.","option_a":"Vrai","option_b":"Faux","option_c":"","option_d":"","option_e":"","option_f":"","bonne_reponse":"A","explication":"L'hypothèse d'indépendance conditionnelle (ou 'ignorabilité') stipule que, conditionnellement à certaines variables observées, le traitement est indépendant des résultats potentiels.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0},{"id":71769,"question":"Quelle méthode est adaptée pour analyser l'effet d'une politique publique sur une population ?","option_a":"Régression logistique","option_b":"Méthode des doubles différences","option_c":"Analyse en clusters","option_d":"Test de Student","option_e":"","option_f":"","bonne_reponse":"B","explication":"La méthode des doubles différences (ou différences de différences) est particulièrement adaptée pour évaluer l'impact d'une politique publique en comparant des groupes avant et après l'intervention.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0},{"id":71770,"question":"Le biais de sélection peut être corrigé en utilisant :","option_a":"Un échantillon aléatoire","option_b":"Une régression logistique","option_c":"Des techniques de matching (appariement)","option_d":"Une analyse de variance","option_e":"","option_f":"","bonne_reponse":"C","explication":"Les techniques de matching (appariement) permettent de réduire le biais de sélection en comparant des individus similaires dans le groupe traité et le groupe témoin.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0},{"id":71771,"question":"L'inférence causale nécessite toujours des données expérimentales.","option_a":"Vrai","option_b":"Faux","option_c":"","option_d":"","option_e":"","option_f":"","bonne_reponse":"B","explication":"Bien que les données expérimentales (comme les essais randomisés) fournissent des preuves solides de causalité, des méthodes d'inférence causale peuvent être appliquées à des données observationnelles sous certaines hypothèses.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0}]