9h00. Introduction. Tour de table et programme. François.
9h15. Cas d’usage Tomate. Estimation directe et risque de biais. Korgan.
9h45. Causalité en général. Objectif et panorama sur les différentes méthodes disponibles. David.
10h30. TP sous R. Cas d’usage Tomate. Korgan. score de propension avec régression logistique avec matching/weighting
• Optimal full matching (avec pscore/avec Mahalanobis). IPTW + double robustesse. Pause à intégrer dans ce temps.
12h00 Le rôle du Machine learning dans les approches causales. Pour calculer les scores de propension et/ou pour effet. François.
12h30. Repas
14h00. Cas d’usage. RHOMIS (effet endettement sur rendement) et Machine Learning. Korgan.
14h45. Exposé. Niveau d’adventices en fonction
de différentes pratiques (dont niveau
d’herbicide) (Sandie Masson). Description de la collecte des données, analyse
existant, effet(s) à analyser) avec discussion.
15h10. Exposé. Données Enquête pratique agricole
de Terres Inovia (Dominique Wagner). Description de la collecte des données,
analyse existant, effet(s) à analyser) avec discussion.
15h35. Discussion / suite à donner / atelier du
14 décembre matin.
