Tester les hypothèses et les théories dans la carte des liens de causalité

Déduire des hypothèses vérifiables

Pourquoi est-ce important? Car les schémas de stratégie constituent une partie importante du cadre BI. Les rapports permettent au décideur de comprendre le monde en surveillant les performances. Plus précisément, ils permettent au décideur de demander :

Que s’est-il passé ? : Y1 contre Y2
Que peut-il arriver ? : Xf –>Yf

Les rapports permettent au décideur de surveiller les performances en posant et en répondant à ces questions. Cependant, la capacité de poser et de répondre efficacement à ces questions est basée sur le test des liens dans la carte causale. Par exemple, le décideur peut vouloir savoir :

L’utilisation du modèle pour le suivi des performances nécessite de savoir :

Que s’est-il passé ? : Y1 (performance réelle) contre Y2 (prédiction ou attente)

Cependant, cela suppose que X–>Y1. Et si Y1 (mesure réelle) était inférieur à Y2 (ce que nous attendions) ? Nous supposerions que X était un problème et prendrions des mesures correctives. Et si X–>Y1 était non seulement non testé mais faux ? Nous serions dans l’erreur et les modifications apportées à X n’auraient pas nécessairement d’impact sur Y1.

De même, l’utilisation du modèle pour la prédiction nécessite de se demander :

Que peut-il arriver ? : Xf –>Yf

Et si nous essayions de prédire Yf mais qu’en réalité Xf –> Yf était non seulement non testé mais faux ? Lorsque nous avons essayé de prédire Yf, nous pouvions nous tromper.

Une étape importante dans la construction d’un système de BI consiste à s’assurer que la stratégie est correcte. Pour ce faire, il faut déduire des hypothèses afin de tester la théorie. Bien que nous puissions tester X–>Y1 directement, il est préférable de tester autant de théorie que possible. Toutes les hypothèses ne peuvent pas et ne doivent pas être testées.

Déduire des hypothèses pour les tester nécessite de prendre des liens de causalité. Supposons que la carte stratégique affiche X –> Y –> Z. On pourrait utiliser le lien direct (X –> Y) ou indirect (X –> Z) pour formuler une hypothèse. Tester des concepts plus proches sur les cartes est plus fructueux mais peut s’avérer peu pratique, en raison de contraintes de temps ou de ressources.

Tester des hypothèses

Nous adopterons des tests d’hypothèses modifiés d’un point de vue économétrique (Gujarati 1999)

Créer une hypothèse
- Pourquoi est-ce arrivé ? : X–>Y
- Comment c’est arrivé ? : X1–>Y2
Collecter des données
Spécifiez l’hypothèse, soit en termes de modèle verbal ou mathématique
Préciser le modèle expérimental ou quasi-expérimental de la théorie ou de l’hypothèse (effets de causalité ou mécanismes, discutés ci-dessous)
Estimation des paramètres du modèle choisi
Vérification de l’adéquation du modèle : test de spécification du modèle
Tester l’hypothèse dérivée du modèle

Bien que cette approche soit généralement plus applicable aux méthodes quantitatives, elle n’exclut pas les mesures qualitatives. Les étapes 5, 6 et 7 différeront selon le modèle d’explication appliqué à l’hypothèse.

Ce guide présente deux manières de tester des hypothèses. Le premier est l’utilisation des effets de causalité. La seconde est l’utilisation de mécanismes causaux.

Avant de poursuivre, une très brève description de la philosophie des sciences sociales s’impose. Une approche de l’explication scientifique sociale est le modèle de la loi de recouvrement (Little 1991). Pour nos besoins, ce modèle accepte l’explication d’un événement ou d’une régularité lorsqu’il peut être subsumé sous la théorie stratégique. Ce que nous essayons de comprendre, c’est comment un phénomène ou une régularité dérive de la loi générale. Cependant, nous ne travaillons pas avec des lois mais des théories, qui devront faire l’affaire.

Modèles déductifs et critiques

Une version du modèle de la loi de couverture, appelée modèle déductif-nomologique (D-N), nous oblige à nous demander : pourquoi le phénomène à expliquer était-il nécessaire dans les circonstances ? (Little 1991 page 5). Ce type d’explication est déductif, ce qui signifie que le résultat est nécessaire compte tenu des événements.

Modèle D-N d’explication (voir Little 1991 page 5)

L_i (une ou plusieurs lois universelles)
C_i (une ou plusieurs déclarations de circonstances contextuelles)
____________ (implique déductivement)
E (mention du fait de régularité à expliquer)

La difficulté avec les modèles purement déductifs est que, par exemple, ils échouent face à la mécanique quantique (voir George et Bennett). Il est également peu probable qu’une définition aussi stricte de la causalité s’applique à la stratégie commerciale. Ainsi, les modèles purement déductifs ne sont pas réalisables.

Modèles inductifs et critiques

Il existe une approche inductive du modèle de la loi de recouvrement. Le modèle inductif-statistique décrit une explication statistique comme consistant en une ou plusieurs générations statistiques, une ou plusieurs déclarations de fait particulier et un argument inductif à cet effet.

Modèle d’explication I-S (voir Little 1991 page 6)
L_i (une ou plusieurs lois statistiques)
C_i (une ou plusieurs déclarations de circonstances contextuelles)
==========(rend très probable)
E (mention du fait de régularité à expliquer)

Notez la différence entre un argument inductif et déductif. Un déductif signifie que la vérité des prémisses garantit la vérité de la conclusion. Un argument inductif signifie que la vérité des prémisses rend la conclusion plus probable mais pas toujours certaine.

Quelles sont les critiques des modèles inductifs, tels que le I-S ou d’autres explications connexes ? Salmon a fait valoir qu’ils mettaient la causalité dans une boîte noire. C’est vrai. Ainsi, les modèles purement inductifs ne fonctionneront pas.

Une façon d’aborder le problème de l’explication est de se concentrer sur la croyance commune selon laquelle les explications partagent l’hypothèse qu’il existe un mécanisme sous-jacent par lequel X produit Y. Ce livre propose deux façons de tester les théories liées (notez qu’il en existe beaucoup d’autres). qui acceptent des mécanismes :

Effets de causalité
Mécanismes causaux

Mécanismes causaux et effets causaux

L’approche proposée dans ce livre permet à la fois d’éviter les arguments fastidieux entourant la causalité et de fournir une approche pragmatique et réaliste pour tester la causalité en se concentrant sur les mécanismes causaux et les effets causaux. Une approche par mécanisme causal est similaire à l’approche déductive en ce sens qu’elle tente d’utiliser une théorie pour expliquer comment X a produit Y. Cependant, les tentatives de démonstration des mécanismes causaux doivent généralement être appliquées à un éventail plus large de phénomènes que ceux testés à l’aide des méthodes disponibles pour étudier les mécanismes causaux. Les effets de causalité, basés sur des méthodologies statistiques, peuvent aider à déterminer si le mécanisme est applicable à un plus large éventail d’observations. L’utilisation d’effets et de mécanismes de causalité crée une méthodologie unifiée où les faiblesses de l’un sont augmentées par les forces de l’autre. Ainsi, une approche mixte est la méthode préférée.

Pourquoi ? – Effets causals

Au cœur des effets de causalité se trouve la corrélation entre deux variables. Les effets de causalité examinent les données pour déterminer si les changements d’une variable sont liés aux changements d’une autre variable.

« « La corrélation statistique est explicative dans la mesure où elle fournit la preuve d’un processus causal crédible sous-jacent aux variables analysées. » (Little 1991 page 159). Cependant, Little souligne également que la corrélation statistique n’est pas acceptable sans une histoire causale indiquant les mécanismes par lesquels les corrélations observées évoluent (1991). La corrélation n’est pas la causalité. Il démontre simplement qu’une mesure d’une variable est associée à une autre mesure d’une variable, mais ne dit rien sur le mécanisme par lequel une variable a produit des changements dans une autre.

Comment ? – Mécanismes causaux

Le mécanisme causal postule comment les changements dans une variable produisent des changements dans une autre variable. Little définit un mécanisme causal comme suit :

C est une cause de E = df il existe une suite d’événements C_i menant de C à E, et la transition de chaque C_i à C_i+1 est régie par une ou plusieurs lois L_i.

Tester les théories

Celles-ci se renforcent mutuellement en tant que moyen d’assurer la force d’une théorie.

Hypothèses concurrentes

Face à des hypothèses alternatives, considérons :

Falsifiabilité – encadrées de manière à pouvoir prouver qu’elles sont fausses
Simplicité – (comme dans l’application du « rasoir d’Occam », décourageant la postulation d’un nombre excessif d’entités)
Portée – l’application apparente de l’hypothèse à plusieurs cas de phénomènes
Fécondité – la perspective qu’une hypothèse puisse expliquer d’autres phénomènes à l’avenir
Conservatisme – le degré de « concordance » avec les systèmes de connaissances reconnus existants

Conclusion

Essentiellement, un diagramme de stratégie montre comment les activités et les investissements génèrent des résultats pour les clients. Plus précisément, la carte des liens de causalité sert de représentation visuelle de la manière dont les activités de l’entreprise affectent les résultats et le comportement des clients. Ici a été démontré comment un diagramme de stratégie est un modèle formel de la stratégie d’une entreprise de stratégie et comment tester la force de la théorie sous-jacente. Tester la force de la théorie aide l’entreprise à comprendre comment l’exécution de la stratégie influencera la rentabilité, le cas échéant.

Référence

Bennett, Andrew and Alexander George. (????). Case studies and theory development in the social sciences
Gujarati, Damodar. (1999). Essentials of Econometrics. McGraw-Hill: Boston, MA.
Little, Daniel. (1991). Varieties of Social Explanation: An Introduction to the Philosophy of Social Science. Westview Press: Boulder, CO.

Source: Wikibooks sous licence CC BY-SA 3.0. Traduction et adaptation: Nicolae Sfetcu.