FRENITESDE

Research & Evidence

Rechercher une méthode

Recherchez parmi les titres, les questions, les territoires et les identifiants MSC.

40 résultats
  1. MSC-P-001Comment transformer une affirmation marketing en question testable ?Science de la décision↗
  2. MSC-P-002Corrélation ou causalité : que permet réellement d’affirmer une analyse ?Mesure marketing↗
  3. MSC-P-003Comment exprimer l’incertitude d’un résultat marketing ?Science de la décision↗
  4. MSC-P-004Significativité ou taille d’effet : quel résultat faut-il interpréter ?Science de la décision↗
  5. MSC-P-005Comment mesurer un construit marketing qui n’est pas directement observable ?Études de marché↗
  6. MSC-P-006Comment concevoir puis valider une échelle de mesure ?Études de marché↗
  7. MSC-P-007Alpha ou oméga : comment évaluer la fiabilité d’une échelle ?Études de marché↗
  8. MSC-P-009ACP, AFE ou AFC : quelle méthode choisir ?Études de marché↗
  9. MSC-P-010Quand faut-il mener une expérience marketing ?Mesure marketing↗
  10. MSC-P-011Comment concevoir un A/B test qui estime réellement un effet ?Mesure marketing↗
  11. MSC-P-012De combien d’observations une expérience a-t-elle besoin ?Science de la décision↗
  12. MSC-P-013Comment mesurer l’effet incrémental d’une campagne avec un groupe témoin ?Mesure marketing↗
  13. MSC-P-017Comment détecter sélection, contamination et attrition dans une expérience ?Mesure marketing↗
  14. MSC-P-018Régression prédictive ou causale : qu’essaye-t-on d’estimer ?Modèles marketing↗
  15. MSC-P-019Comment diagnostiquer une régression marketing avant de l’interpréter ?Modèles marketing↗
  16. MSC-P-022Comment estimer une élasticité-prix et son incertitude ?Science des prix↗
  17. MSC-P-026Logit vs Probit : comment choisir pour une probabilité d’achat ?Science client↗
  18. MSC-P-029Quels clients présentent la probabilité de churn la plus élevée ?Science client↗
  19. MSC-P-027TAM, UTAUT ou UTAUT2 : quel cadre pour étudier l’acceptation d’une technologie ?Études de marché↗
  20. MSC-H-001Mesure et causalité : comment établir un effet marketing ?Mesure marketing↗
  21. MSC-H-002Modèles de réponse marketing : forme, délai et saturationModèles marketing↗
  22. MSC-H-003Science des prix : relier prix, demande et contributionScience des prix↗
  23. MSC-H-004Science client et choix : comportement, valeur et hétérogénéitéScience client↗
  24. MSC-H-005Science de la mesure : construire des indicateurs validesÉtudes de marché↗
  25. MSC-H-006Méthodes statistiques de décision : choisir, quantifier, validerScience de la décision↗
  26. MSC-P-008Comment valider une échelle de mesure marketing ?Études de marché↗
  27. MSC-P-014Comment concevoir une expérience géographique marketing ?Mesure marketing↗
  28. MSC-P-015Comment estimer un effet avec une différence-de-différences ?Mesure marketing↗
  29. MSC-P-020Comment traiter l’endogénéité du prix ?Science des prix↗
  30. MSC-P-021Effets fixes ou aléatoires : quel modèle de panel choisir ?Modèles marketing↗
  31. MSC-P-023Comment estimer une fonction de demande ?Science des prix↗
  32. MSC-P-024Comment simuler un scénario prix-volume-marge ?Science des prix↗
  33. MSC-P-028Comment estimer la CLV avec BG/NBD et Gamma-Gamma ?Science client↗
  34. MSC-P-030Comment analyser la rétention avec un modèle de survie ?Science client↗
  35. MSC-P-031Comment construire une segmentation client utile ?Science client↗
  36. MSC-P-032Comment tester la stabilité d’une segmentation ?Science client↗
  37. MSC-P-033Comment valider une prévision marketing ?Science de la décision↗
  38. MSC-P-034Comment construire une simulation Monte Carlo pour une décision marketing ?Science de la décision↗
  39. MSC-P-035Comment modéliser saturation et adstock ?Modèles marketing↗
  40. MSC-P-039Quel test statistique choisir ?Science de la décision↗
← Toutes les méthodes
FICHE MÉTHODEMSC-P-017Expérimentation et causalitéDossier scientifique vérifié

Comment détecter sélection, contamination et attrition dans une expérience ?

Le diagnostic compare le flux d’unités depuis l’éligibilité jusqu’au résultat : assignation, exposition, contamination, pertes et exclusions. L’ITT reste fondé sur l’assignation.

Rédaction scientifique : Marketing Science Center

Réponse directe

Qualifier les menaces et réaliser des analyses de sensibilité.

Le diagnostic compare le flux d’unités depuis l’éligibilité jusqu’au résultat : assignation, exposition, contamination, pertes et exclusions. L’ITT reste fondé sur l’assignation.

CONSORT 2010 Explanation and ElaborationHernán & Robins, Causal Inference: What If

01

Résumé opérationnel

Question scientifique et périmètre

Comment détecter sélection, contamination et attrition dans une expérience ?

Recevable

Qualifier les menaces et réaliser des analyses de sensibilité.

Interdit

Réparer automatiquement une attrition différentielle sévère.

02

Trois niveaux de lecture

  1. 01

    Décideur — Relier le résultat à une décision, un seuil utile et un coût d’erreur déclarés.

  2. 02

    Praticien — Fixer population, unité, horizon, variables disponibles et règle d’analyse avant le calcul.

  3. 03

    Analyste — Reproduire le calcul, quantifier l’incertitude et documenter diagnostics, échecs et sensibilités.

03

Situation marketing concrète

Le diagnostic compare le flux d’unités depuis l’éligibilité jusqu’au résultat : assignation, exposition, contamination, pertes et exclusions. L’ITT reste fondé sur l’assignation.

04

Question scientifique et périmètre

Comment détecter sélection, contamination et attrition dans une expérience ?

Éléments diagnostiques, non un nouvel effet causal

Données nécessaires

unité éligible dans le flux d’analyse

La population, l’unité d’analyse, la date d’origine et l’horizon doivent être déclarés dans le livrable. Sans eux, l’estimand change silencieusement.

05

Pourquoi une analyse simple peut échouer

  • Réparer automatiquement une attrition différentielle sévère.
  • Les nombres d’unités assignées se réconcilient-ils avec le journal de randomisation et l’allocation spécifiée a priori ?
  • Les résultats manquants sont-ils comparés selon le bras d’assignation en appliquant une règle déclarée ?
  • L’exposition et la contamination sont-elles définies sans conditionner l’analyse ITT principale sur un comportement postérieur à l’assignation ?

06

Intuition de la méthode

La méthode ne transforme pas automatiquement une association en preuve. Elle relie une question déclarée à un estimand, une spécification, des données compatibles et une règle d’interprétation limitée.

Éléments diagnostiques, non un nouvel effet causal

07

Données nécessaires

Dictionnaire des symboles scientifiques

assigned_arm
Nombre d’unités éligibles randomisées dans le bras déclaré. Unité: unité · Type: entier positif ou nul · Rôle: entrée
observed_arm
Nombre d’unités assignées pour lesquelles le résultat principal est observé selon la règle spécifiée a priori pour les résultats manquants. Unité: unité · Type: entier positif ou nul · Rôle: entrée
exposed_arm
Nombre d’unités assignées ayant reçu l’exposition mesurée selon la définition de l’exposition spécifiée a priori. Unité: unité · Type: entier positif ou nul · Rôle: entrée
attrition_arm
Part des unités assignées sans résultat principal observé dans ce bras. Unité: proportion · Type: nombre dans [0, 1] · Rôle: sortie
exposure_T
Part d’unités exposées parmi les unités assignées au traitement. Unité: proportion · Type: nombre dans [0, 1] · Rôle: diagnostic
contamination_C
Part d’unités exposées parmi les unités assignées au contrôle. Unité: proportion · Type: nombre dans [0, 1] · Rôle: diagnostic

Entrées exactes et scellées du moteur

assigned_treatment
Valeur: 5000 · Unité: unité · Type: entier · Statut des données: synthétique
assigned_control
Valeur: 5000 · Unité: unité · Type: entier · Statut des données: synthétique
observed_treatment
Valeur: 4800 · Unité: unité · Type: entier · Statut des données: synthétique
observed_control
Valeur: 4900 · Unité: unité · Type: entier · Statut des données: synthétique
exposed_treatment
Valeur: 4500 · Unité: unité · Type: entier · Statut des données: synthétique
exposed_control
Valeur: 200 · Unité: unité · Type: entier · Statut des données: synthétique

08

Modèle formel

Modèle formel

attrition_treatment = 1 − observed_treatment/assigned_treatment; attrition_control = 1 − observed_control/assigned_control; differential_attrition = attrition_treatment − attrition_control; treatment_exposure = exposed_treatment/assigned_treatment; control_contamination = exposed_control/assigned_control

Affirmations étayées: MSC-P017-C01 · MSC-P017-C02 · MSC-P017-C03 · MSC-P017-C04 · MSC-P017-C05

Question scientifique et périmètre

Éléments diagnostiques, non un nouvel effet causal

09

Calcul déclaré

  1. 01

    Réconcilier les nombres d’unités éligibles, assignées, observées et exposées par bras randomisé, et rejeter toute relation de comptage impossible.

  2. 02

    Calculer, par bras, l’attrition, l’attrition différentielle, l’exposition au traitement et le taux de contamination du contrôle.

  3. 03

    Rapporter uniquement des diagnostics de mise en œuvre ; ne pas prétendre que ces taux corrigent le biais ou constituent un test SRM.

10

Exemple numérique ou cas d’application

Exemple d’application — données synthétiques ou paramètres déclarés ; aucune observation réelle

Entrées scellées

  • assigned_treatment=5000 [unité]
  • assigned_control=5000 [unité]
  • observed_treatment=4800 [unité]
  • observed_control=4900 [unité]
  • exposed_treatment=4500 [unité]
  • exposed_control=200 [unité]

Résultats reproductibles

  • attrition_treatment/control=0.04/0.02
  • differential_attrition=0.02
  • exposure/contamination=0.90/0.04

Dossier vérifié : affirmations reliées à des sources au niveau du passage, calcul Python/R reproduit, limites explicites et revue scientifique indépendante achevée.

11

Hypothèses de validité

  • Les nombres d’unités assignées se réconcilient-ils avec le journal de randomisation et l’allocation spécifiée a priori ?
  • Les résultats manquants sont-ils comparés selon le bras d’assignation en appliquant une règle déclarée ?
  • L’exposition et la contamination sont-elles définies sans conditionner l’analyse ITT principale sur un comportement postérieur à l’assignation ?

12

Diagnostics et incertitude

Diagnostics et incertitude

Les nombres d’unités assignées se réconcilient-ils avec le journal de randomisation et l’allocation spécifiée a priori ? · Les résultats manquants sont-ils comparés selon le bras d’assignation en appliquant une règle déclarée ? · L’exposition et la contamination sont-elles définies sans conditionner l’analyse ITT principale sur un comportement postérieur à l’assignation ?

Diagnostic borné

Ces diagnostics révèlent des risques de mise en œuvre ; ils ne corrigent pas les biais.

Contrat explicite d’incertitude · not_estimable_from_sealed_inputs

Méthode : Évaluation explicite de la non-estimabilité au regard du schéma d’entrées scellé.

Cible : Incertitude d’échantillonnage des taux d’attrition, d’exposition et de contamination.

Preuve du moteur : diagnostic=diagnostics_do_not_repair_bias

Interprétation : Les seuls comptages agrégés du flux n’identifient ni la structure de dépendance ni le mécanisme de données manquantes nécessaires à des intervalles d’incertitude valides.

Arrêter si

Réparer automatiquement une attrition différentielle sévère.

13

Interprétation du résultat

  • Qualifier les menaces et réaliser des analyses de sensibilité.
  • Le résultat est conditionnel à la population, à l’horizon, à la spécification et aux contrôles déclarés. Il ne doit pas être étendu à une autre décision sans nouvelle justification.

14

Conclusion recevable et conclusion interdite

Recevable

Qualifier les menaces et réaliser des analyses de sensibilité.

Interdit

Réparer automatiquement une attrition différentielle sévère.

15

Décision marketing possible

  1. 01

    Qualifier les menaces et réaliser des analyses de sensibilité.

  2. 02

    Le résultat est conditionnel à la population, à l’horizon, à la spécification et aux contrôles déclarés. Il ne doit pas être étendu à une autre décision sans nouvelle justification.

16

Quand utiliser — quand s’arrêter

Utiliser si

Qualifier les menaces et réaliser des analyses de sensibilité.

unité éligible dans le flux d’analyse

Arrêter si

Réparer automatiquement une attrition différentielle sévère.

Alternatives méthodologiques

  • Effectuer un test exact d’inadéquation du ratio d’échantillon lorsque les probabilités d’allocation et les journaux d’assignation sont disponibles.
  • Utiliser des bornes de sensibilité pour les résultats manquants ou la non-observance.
  • Rapporter à la fois l’analyse ITT et les analyses spécifiées a priori selon le traitement reçu, sans remplacer l’estimand ITT.

17

Contrat de reproductibilité

Python et R servent de références exécutables. SPSS et SAS restent des syntaxes secondaires jusqu’à vérification sur les mêmes données, la même spécification et les mêmes contrôles.

Le moteur sélectionne uniquement le slice et la branche explicite de cette page. Son hash, ses sorties et ses diagnostics restent scellés dans le dossier atomique ; aucune branche générique de repli n’est autorisée.

Empreinte du slice: 86981a5527088e6e95da14a6c0091530f1f492c73e0b0dec47bdbd5cbda693e0

Modèle formel

attrition_treatment = 1 − observed_treatment/assigned_treatment; attrition_control = 1 − observed_control/assigned_control; differential_attrition = attrition_treatment − attrition_control; treatment_exposure = exposed_treatment/assigned_treatment; control_contamination = exposed_control/assigned_control

Dossier vérifié : affirmations reliées à des sources au niveau du passage, calcul Python/R reproduit, limites explicites et revue scientifique indépendante achevée.

18

Livrable final attendu

  1. 01

    Comment détecter sélection, contamination et attrition dans une expérience ? — unité éligible dans le flux d’analyse

  2. 02

    assigned_arm · observed_arm · exposed_arm · attrition_arm · exposure_T · contamination_C

  3. 03

    attrition_treatment = 1 − observed_treatment/assigned_treatment; attrition_control = 1 − observed_control/assigned_control; differential_attrition = attrition_treatment − attrition_control; treatment_exposure = exposed_treatment/assigned_treatment; control_contamination = exposed_control/assigned_control

  4. 04

    Les nombres d’unités assignées se réconcilient-ils avec le journal de randomisation et l’allocation spécifiée a priori ? · Les résultats manquants sont-ils comparés selon le bras d’assignation en appliquant une règle déclarée ? · L’exposition et la contamination sont-elles définies sans conditionner l’analyse ITT principale sur un comportement postérieur à l’assignation ?

  5. 05

    Qualifier les menaces et réaliser des analyses de sensibilité. / Réparer automatiquement une attrition différentielle sévère.

19

Sources scientifiques et statut de preuve

Dossier vérifié : affirmations reliées à des sources au niveau du passage, calcul Python/R reproduit, limites explicites et revue scientifique indépendante achevée.

  1. MSC-P017-C01 — La détermination de la taille d’échantillon doit nommer le résultat principal et toutes les quantités utilisées.
  2. MSC-P017-C02 — Les ajustements pour l’attrition et la non-observance doivent être rapportés.
  3. MSC-P017-C03 — L’analyse selon l’assignation randomisée préserve la comparaison prévue.
  4. MSC-P017-C04 — La cohérence relie le résultat observé au résultat potentiel sous la politique assignée.
  5. MSC-P017-C05 — L’estimand causal suppose que l’assignation d’un client ne modifie pas le résultat d’un autre client.
  1. CONSORT 2010 Explanation and Elaboration
  2. Hernán & Robins, Causal Inference: What If

Connexions méthodologiques

Territoire parentMesure et causalité : comment établir un effet marketing ?

À lire ensuite

MSC-P-010Quand faut-il mener une expérience marketing ?→MSC-P-011Comment concevoir un A/B test qui estime réellement un effet ?→MSC-P-013Comment mesurer l’effet incrémental d’une campagne avec un groupe témoin ?→