L'établissement de la causalité est souvent la motivation première de la recherche. Les décideurs politiques veulent souvent comprendre comment la mise en œuvre d'un nouveau programme ou d'un autre outil politique affectera un résultat intéressant. La réduction de la taille des classes améliorera-t-elle l'apprentissage des élèves ? La mise en œuvre de contrôles plus stricts des antécédents des acheteurs d'armes à feu réduira-t-elle la violence armée ? Les chercheurs en biomédecine veulent souvent comprendre si un nouveau médicament améliorera l'issue d'une maladie. La prise d'un médicament améliorera-t-elle l'espérance de vie, voire guérira-t-elle la maladie étudiée ? Pour répondre à ces questions et à d'autres questions similaires, les analystes doivent mettre au point des modèles de recherche adaptés à l'inférence causale. L'estimation d'un effet causal est un défi, mais elle est essentielle pour comprendre l'impact d'une politique, d'un médicament ou de tout autre type d'intervention.

Au cours des quatre prochaines leçons, nous commencerons à donner un sens aux données brutes. L'examen de données brutes, telles qu'une feuille de calcul, ne révèle pas grand-chose sur les principaux points à retenir. Considérez une variable telle qu'une question d'enquête portant sur le niveau de discrimination aux États-Unis (où les choix de réponse sont "beaucoup", "un peu", "seulement un peu", "pas du tout" et "ne sait pas"). La lecture des données brutes ne vous renseigne pas sur le répondant moyen ni sur la distribution des réponses parmi les choix de réponses possibles. Pour mieux comprendre la forme de la distribution, nous pouvons calculer des mesures de tendance centrale, des mesures de dispersion et caractériser la dispersion des données. Ces statistiques sommaires permettent au chercheur de tirer des conclusions initiales simples mais puissantes sur ce que les données nous apprennent dans le monde réel.

Edward Tufte, expert de renommée mondiale en visualisation de données, a déclaré un jour : "La surcharge d'informations n'existe pas. Il n'y a qu'une mauvaise conception" Lorsque vous communiquez les résultats d'une analyse, et en particulier lorsque vous essayez de persuader un public, une image vaut vraiment mille mots. Un graphique bien conçu peut tirer parti d'une petite ou d'une grande quantité de données pour présenter un argument convaincant. Les visualisations de données mettent en évidence des points spécifiques de l'information sous-jacente et permettent à l'observateur de tirer des conclusions qui sont presque invisibles lorsqu'il ne regarde que les chiffres. En bref, pour bien communiquer avec les données, vous devez devenir compétent en matière de visualisation des données.