Résumé technique : Prévision contrefactuelle pour les données de panel

Énoncé du problème

L'article traite du défi de la prévision des résultats contrefactuels dans les contextes de données de panel caractérisés par des entrées manquantes et des facteurs latents temporellement dépendants. Ce scénario est courant en inférence causale, particulièrement lorsque la prise de décision prospective nécessite l'estimation de résultats potentiels inobservés (par exemple, ce qui arriverait à une unité sous un traitement non encore assigné) à l'avance.

Les méthodes existantes pour l'inférence causale, telles que les contrôles synthétiques, la méthode des différences de différences ou la complétion de matrice, reposent généralement sur des hypothèses de faible rang pour modéliser la variation partagée entre les unités et le temps. Cependant, ces approches traitent souvent les facteurs latents comme statiques ou i.i.d., échouant ainsi à exploiter les dynamiques temporelles (par exemple, les structures autorégressives) inhérentes à de nombreux processus du monde réel. De plus, de nombreuses méthodes de prévision existantes supposent une absence limitée de données ou nécessitent des panels pré-traitement entièrement observés, ce qui les rend inadaptées à l'estimation contrefactuelle où de larges portions de la matrice de données sont, par conception, inobservées.

Méthodologie : FOCUS

Les auteurs proposent FOCUS (FOrecasting Counterfactuals Under Stochastic dynamics), une méthode conçue pour étendre la complétion de matrice traditionnelle en incorporant les dynamiques de séries temporelles des facteurs latents.

Algorithme central

FOCUS opère en deux étapes principales :

1. Estimation des facteurs : La méthode restreint le panel observé sous une condition de traitement spécifique (ou de contrôle), en traitant les entrées non observées comme manquantes. Elle utilise un algorithme d'Analyse en Composantes Principales (ACP) (spécifiquement l'estimateur cohérent de Xiong & Pelger, 2023) pour estimer les facteurs latents ($\hat{F}_t$) et les chargements ($\hat{\Lambda}_i$) à partir des données partiellement observées. Cette étape s'adapte à des schémas d'observation généraux, incluant le mécanisme de données manquantes complètement au hasard (MCAR) et les modèles d'adoption échelonnée.
2. Prévision dynamique : Une fois les facteurs estimés, FOCUS ajuste un modèle de séries temporelles (spécifiquement un modèle de vecteurs autorégressifs d'ordre 1, VAR(1)) aux facteurs estimés $\{\hat{F}_t\}$. La matrice de coefficients $\hat{A}$ est estimée via les Moindres Carrés Ordinaires (MCO). La prévision de la moyenne du résultat potentiel à l'horizon $h$ pour l'unité $i$ est ensuite construite comme un estimateur par substitution :
   $$\hat{\theta}_{i, T:T+h} = \hat{\Lambda}_i^\top \hat{A}^h \hat{F}_T$$
   Cette approche combine efficacement les techniques de lissage/filtrage de séries temporelles avec la complétion de matrice.

Cadre théorique

L'article établit des garanties théoriques sous des conditions de régularité standards :

• Modèle de facteur : Les facteurs latents suivent un processus VAR(1) stationnaire ($F_t = A F_{t-1} + \eta_t$) avec $\rho(A) < 1$.
• Bruit et chargements : Le bruit idiosyncrasique et les chargements de facteurs sont supposés indépendants avec des moments bornés.
• Mécanisme d'observation : La matrice d'observation $W$ est indépendante des facteurs et du bruit, avec des conditions assurant un chevauchement suffisant (par exemple, $|Q_{s,t}| \geq Nq$).

Résultats théoriques clés :

• Bornes d'erreur : Les auteurs dérivent une borne d'erreur pour l'estimateur de prévision $\hat{\theta}_{i, T:T+h}$, montrant qu'il converge à une vitesse de $O_P(\delta_{NT}^{-1})$ plus un terme dépendant de l'horizon de prévision $h$ et du rayon spectral de $A$.
• Normalité asymptotique : Sous des conditions de régularité supplémentaires sur le schéma d'observation, l'estimateur est montré comme étant $\min\{\sqrt{N}, \sqrt{T}\}$-cohérent et asymptotiquement normal.
• Intervalles de confiance : L'article fournit un cadre pour construire des intervalles de confiance asymptotiquement valides pour les prévisions contrefactuelles en estimant la variance asymptotique, qui comprend des composantes de l'incertitude d'estimation des facteurs et de l'incertitude de prévision.

Contributions clés

1. Première prévision hors échantillon entrée par entrée : À la connaissance des auteurs, FOCUS est le premier travail traitant de la prévision entrée par entrée des contrefactuels hors échantillon en présence de données manquantes et de dynamiques de facteurs stochastiques.
2. Intégration des dynamiques et des données manquantes : Contrairement aux méthodes de complétion de matrice précédentes qui ignorent les dynamiques temporelles ou aux modèles de facteurs dynamiques qui supposent une absence limitée de données, FOCUS gère explicitement une large gamme de schémas d'observation tout en exploitant les dépendances temporelles stochastiques (par exemple, les composantes autorégressives).
3. Extension théorique : Ce travail étend les résultats théoriques de Xiong & Pelger (2023) des facteurs latents i.i.d. aux facteurs temporellement dépendants, vérifiant que les processus de facteurs dépendants satisfont les hypothèses générales du Théorème Central Limite (TCL).
4. Évolutivité : L'algorithme est efficace sur le plan computationnel, avec un temps d'exécution qui évolue favorablement à mesure que la dimension temporelle $T$ augmente, ce qui le rend adapté aux contextes à grand $T$.

Résultats empiriques

Les auteurs évaluent FOCUS par rapport à deux références : mSSA (Analyse de spectre de composantes singulières multivariée) et SyNBEATS (une méthode de contrôle synthétique basée sur les réseaux de neurones).

• Études de simulation : À travers quatre processus de génération de données (DGP) impliquant des processus AR(1), ARMA et VARMA avec divers schémas d'observation (MCAR, adoption simultanée), FOCUS obtient systématiquement une erreur quadratique moyenne de prévision (MSFE) plus faible que les deux références. Notamment, FOCUS démontre des taux de décroissance de l'erreur plus rapides à mesure que $T$ augmente. Il surpasse également les références sous spécification du modèle (par exemple, lorsque les vrais facteurs suivent des processus ARMA mais que le modèle suppose un VAR(1)).
• Efficacité computationnelle : FOCUS s'exécute plus rapidement que mSSA et nettement plus rapidement que SyNBEATS.
• Application réelle (HeartSteps) : La méthode est appliquée à l'étude de santé mobile HeartSteps V1, qui implique 37 utilisateurs recevant des incitations à la marche. L'étude souligne que les nombres de pas présentent des corrélations négatives entre les créneaux de décision consécutifs. En capturant ces motifs temporels dans les facteurs latents, FOCUS fournit des prévisions plus précises des futurs nombres de pas sous intervention par rapport à mSSA, l'écart de performance s'élargissant à mesure que l'horizon d'entraînement $T$ augmente.

Signification et affirmations

L'article affirme que FOCUS fournit un cadre évolutif et théoriquement fondé pour l'évaluation contrefactuelle prospective. Sa principale importance réside dans le pont jeté entre l'inférence causale (gestion des contrefactuels manquants) et la prévision de séries temporelles (gestion des dynamiques temporelles).

Les auteurs soulignent que, bien que de nombreuses méthodes existantes se concentrent sur l'estimation post-traitement ou supposent des données pré-traitement entièrement observées, FOCUS est l'un des rares capables de prévoir les résultats futurs sous des interventions hypothétiques lorsque les données sont incomplètes. La méthode est particulièrement efficace lorsque les facteurs latents présentent des dynamiques autorégressives, une caractéristique commune des données comportementales et économiques. L'article conclut en notant des limites, telles que la dépendance à la stationnarité, et suggère des directions futures incluant les contextes non stationnaires (par exemple, les modèles d'espace d'états) et les estimateurs doubles robustes.