La généralisation mono-domaine vise à apprendre un modèle à partir d'un seul domaine d'entraînement (domaine source) et à l'appliquer à plusieurs domaines de test inconnus (domaines cible). Les méthodes existantes se concentrent sur l'élargissement de la distribution du domaine d'entraînement pour couvrir les domaines cible, sans toutefois estimer le décalage de domaine entre le domaine source et les domaines cible. Dans cet article, nous proposons un nouveau paradigme d'apprentissage, appelé simuler-analyser-réduire, qui consiste d'abord à simuler le décalage de domaine en construisant un domaine auxiliaire comme domaine cible, puis à apprendre à analyser les causes du décalage de domaine, et enfin à apprendre à réduire ce décalage pour l'adaptation du modèle. Dans ce cadre, nous proposons une méthode d'apprentissage métacausale pour acquérir des connaissances métiers, c'est-à-dire comment inférer les causes du décalage de domaine entre le domaine auxiliaire et le domaine source pendant l'entraînement. Nous utilisons ces connaissances métiers pour analyser le décalage entre les domaines cible et source lors des tests. Plus précisément, nous effectuons plusieurs transformations sur les données source pour générer le domaine auxiliaire, réalisons une inférence contre-factuelle pour apprendre à découvrir les facteurs causaux du décalage entre le domaine auxiliaire et le domaine source, et intégrons la causalité inférée dans des alignements de domaines sensibles aux facteurs. Des expériences approfondies sur plusieurs benchmarks de classification d'images montrent l'efficacité de notre méthode.