L'inférence causale tente de mettre au jour la structure des données et d'éliminer les explications non-causales à une association observée. Le but de la plus grande partie, voire de toute l'inférence statistique, est d'en découvrir les relations causales. Il n'est en général pas possible de conclure à la causalité simplement à partir de procédures standards d'inférence statistique, mais plutôt à partir d'une association observée entre deux variables qui ne soit pas le résultat de la chance. Le besoin de procédures d'inférence causale est évident dans plusieurs champs mais il peut être plus urgent dans le domaine de la recherche en santé où la quantification de l'efficacité de nouvelles thérapies ou la découverte de l'étiologie des maladies, est souvent complexifiée à cause des difficultés inhérentes aux études d'observation. Même dans les études expérimentales, la conformité partielle au traitement prescrit peut compromettre une expérience bien conçue. La complexité des modèles et les procédures d'inférence correspondantes augmentent dans le contexte des études longitudinales où la confusion en fonction du temps peut être présente. L'objet de cet atelier est triple, soit de réviser les récentes avancées des inférences causales en statistique; deuxièmement, de réunir les chercheurs interdisciplinaires incluant ceux des domaines quantitatifs mais non statistiques tels que les sciences économiques et l'informatique, qui travaillent sur la méthodologie d'inférence causale de sorte que l'on puisse partager les approches et la connaissance pour faire avancer la recherche en science de la santé; et finalement, pour améliorer le profil de l'inférence causale auprès des statisticiens du Canada.