📊 statistics

Interpretable Causal Graphical Models for Equilibrium Systems with Confounding

Cet article propose des modèles graphiques interprétables basés sur les graphes antérieurs pour l'inférence causale dans les systèmes d'équilibre avec confondants, permettant de représenter validement les variables contrefactuelles et d'élaborer une procédure flexible de sélection des ensembles de ajustement.

Auteurs originaux : Kai Z. Teh, Kayvan Sadeghi, Terry Soo

Publié 2026-03-27

📖 5 min de lecture🧠 Analyse approfondie

CC0 1.0

Auteurs originaux : Kai Z. Teh, Kayvan Sadeghi, Terry Soo

Article original placé dans le domaine public sous CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🌍 Le Problème : Le Monde est un Équilibre Tendu

Imaginez que vous essayez de comprendre pourquoi une plante pousse bien ou mal. Dans un monde simple, vous pourriez dire : "J'ai mis de l'engrais (cause), donc la plante a grandi (effet)". C'est facile.

Mais la réalité est souvent plus compliquée, comme un système en équilibre. Imaginez un mobile suspendu au plafond. Si vous poussez un bras, tout le mobile bouge jusqu'à trouver un nouvel équilibre. Les pièces sont toutes connectées, s'influencent mutuellement et se stabilisent ensemble.

De plus, il y a souvent des facteurs cachés (ce que les chercheurs appellent le "confounding"). Par exemple, si vous voyez que les gens qui boivent du café ont plus de maladies cardiaques, ce n'est peut-être pas le café qui est coupable, mais le fait qu'ils fument aussi (le facteur caché).

Le défi des chercheurs est de dire : "Si je changeais seulement le café (intervention), que se passerait-il vraiment, en tenant compte de tous les mouvements du mobile et des facteurs cachés ?"

🗺️ La Solution : Une Nouvelle Carte (Le Graphique Antérieur)

Les chercheurs (Teh, Sadeghi et Soo) ont créé un nouveau type de carte pour naviguer dans ce monde complexe.

Les anciennes cartes (DAGs) : Imaginez une carte routière où toutes les routes vont dans un seul sens (du nord au sud). C'est bien pour les choses simples, mais ça ne marche pas pour un mobile où les pièces tirent dans tous les sens, ou pour des relations cachées.
La nouvelle carte (Graphes Antérieurs) : C'est une carte super-puissante. Elle permet :
- Des flèches dans un sens (cause -> effet).
- Des lignes doubles (↔) pour les facteurs cachés (comme un lien secret entre le café et le tabac).
- Des lignes simples (—) pour les équilibres (comme les pièces du mobile qui bougent ensemble pour se stabiliser).

Cette carte est comme un plan d'architecte qui montre non seulement qui commande qui, mais aussi qui est "collé" à qui par des liens invisibles ou des équilibres naturels.

🧪 L'Expérience de Pensée : Le "Monde Parallèle"

Pour savoir ce qui se passerait si on intervenait (par exemple, forcer tout le monde à arrêter le café), les chercheurs utilisent une astuce mentale : ils créent un monde parallèle.

Le monde réel : Tout le monde vit sa vie avec ses habitudes.
Le monde de l'intervention : On "gèle" une variable (on force tout le monde à boire du café, ou à ne pas en boire).

Le papier explique comment dessiner une carte unique qui contient les deux mondes en même temps.

Imaginez un double de vous-même dans le monde parallèle.
La carte montre les liens entre "Vous" (réel) et "Votre Double" (parallèle).
Si vous voyez une ligne pointillée entre vous et votre double, cela signifie que vous partagez les mêmes secrets (les mêmes erreurs cachées).

C'est comme si vous regardiez un film en split-screen (écran divisé) : à gauche, la réalité ; à droite, la réalité modifiée. La carte permet de voir exactement ce qui change et ce qui reste identique.

✂️ Le Couteau Suisse : Choisir les Bons Filtres

Le but final est de faire un calcul précis pour prédire l'effet d'une intervention. Pour cela, il faut choisir les bonnes "lunettes" pour regarder les données. C'est ce qu'on appelle un ensemble de ajustement.

Si vous mettez trop de filtres, vous brouillez l'image.
Si vous n'en mettez pas assez, les facteurs cachés vous trompent.

Les chercheurs ont inventé un algorithme (une recette) pour trouver exactement les bonnes lunettes :

Les contraintes : Parfois, vous devez inclure certaines lunettes (par exemple, pour des raisons légales) ou vous ne pouvez pas en utiliser d'autres (trop chères ou impossibles à mesurer).
La méthode : L'algorithme prend la carte complexe, enlève méthodiquement les pièces inutiles (comme enlever des pièces d'un puzzle qui ne servent pas à l'équilibre) et vérifie à chaque étape si la carte reste valide.

C'est comme un jeu de Tetris où l'on essaie de retirer les blocs inutiles sans faire tomber la tour, tout en respectant des règles strictes sur quels blocs on a le droit de toucher.

🌟 En Résumé

Ce papier est une boîte à outils pour comprendre le monde quand il est complexe, équilibré et rempli de secrets.

L'outil : Une nouvelle carte (graphe antérieur) qui accepte les liens cachés et les équilibres.
La méthode : Une façon de dessiner le "monde tel qu'il est" et le "monde tel qu'on voudrait qu'il soit" sur le même papier.
Le résultat : Une recette mathématique pour choisir les bonnes données afin de prédire l'avenir, même quand on ne peut pas tout mesurer ou quand les règles sont strictes.

C'est un peu comme apprendre à conduire une voiture dans un brouillard épais avec des routes qui tournent en rond : les auteurs vous donnent un GPS spécial capable de voir à travers le brouillard et de vous dire exactement quelle direction prendre pour atteindre votre destination, même si vous ne pouvez pas voir toute la route.

1. Problématique

L'inférence causale vise à prédire les conséquences d'interventions (effets causaux). Cependant, dans de nombreuses applications réelles, les données proviennent de systèmes en équilibre (où les relations entre variables sont symétriques ou dynamiques) et sont souvent affectées par du bruit de confusion (confounding).

Les modèles graphiques causaux standards, basés sur les graphes acycliques dirigés (DAG), sont insuffisants pour ce contexte car :

Ils ne peuvent pas représenter les relations symétriques induites par l'équilibre (généralement modélisées par des arêtes non dirigées).
Ils ne capturent pas facilement la confusion non mesurée (généralement modélisée par des arêtes bidirectionnelles).
Les graphes existants pour l'équilibre (graphes en chaîne) ou la confusion (graphes ancestraux) ne sont pas toujours fermés sous les opérations de marginalisation et de conditionnement, ce qui rend l'analyse des sous-ensembles de variables complexe.

Le défi principal est donc de fournir un cadre graphique unifié, interprétable et interprétable, capable de gérer simultanément les systèmes d'équilibre, la confusion, et de permettre l'inférence causale (y compris via des graphes contrefactuels) tout en respectant des contraintes pratiques de sélection de covariables.

2. Méthodologie

Les auteurs proposent une approche fondée sur les graphes antérieurs (anterial graphs), une classe de graphes généralisant les DAG, les graphes ancestraux et les graphes en chaîne.

A. Modélisation : Le Modèle d'Équilibre Structurel

Les auteurs définissent un Modèle d'Équilibre Structurel (Definition 7) qui généralise les Modèles Causaux Structurels (SCM) classiques :

Le système est partitionné en composantes de chaîne ( $\tau$ ).
Chaque composante est associée à une fonction $f_\tau$ et une variable d'erreur $\epsilon_\tau$ .
Contrairement aux SCM classiques, les erreurs au sein d'une composante peuvent être dépendantes (représentant l'équilibre), et les erreurs entre composantes peuvent être corrélées (représentant la confusion).
L'équilibre est interprété dynamiquement comme la distribution stationnaire d'un échantillonneur de Gibbs.

B. Construction du Graphe (Algorithme 1)

Un algorithme est proposé pour construire le graphe antérieur correspondant à un modèle d'équilibre structurel :

Arêtes non dirigées : Représentent les dépendances au sein d'une composante d'équilibre (conditionnées aux parents).
Arêtes dirigées : Représentent les relations causales entre composantes.
Arêtes bidirectionnelles : Représentent la confusion (dépendance entre les erreurs de différentes composantes).
Théorème 1 : Prouve que si la distribution induite est un graphoïde compositionnel, elle satisfait la propriété de Markov par rapport au graphe antérieur construit.

C. Interventions et Représentation Graphique

Interventions (Algorithme 2) : Une intervention sur un ensemble de traitement $C$ est représentée graphiquement par la modification locale du graphe : suppression des arêtes entrantes dans $C$ , conversion des arêtes non dirigées incidentes en arêtes dirigées sortantes, et suppression des arêtes bidirectionnelles. Cela génère un graphe intervenu $do_C(G)$ .
Graphes Contrefactuels (Algorithme 3) : Pour représenter les variables observationnelles et contrefactuelles dans un seul graphe ( $\phi(G; C)$ ), les auteurs fusionnent les graphes observationnels et intervenus. Cela permet de visualiser les indépendances conditionnelles contrefactuelles.
Graphes d'Intervention Antérieurs du Monde Unique (SWAIG - $\phi'(G; C)$ ) : Pour éviter les violations de la fidélité (faithfulness) dues aux relations déterministes ou aux erreurs partagées, les auteurs proposent une version marginalisée du graphe contrefactuel, inspirée des SWIGs (Single-World Intervention Graphs).

D. Sélection de Confuseurs Contrainte (Algorithme 4)

Les auteurs développent un algorithme pour sélectionner un ensemble de réglage (adjustment set) $S$ soumis à des contraintes :

$L \subseteq S \subseteq U$ (inclusion forcée de certaines covariables, exclusion d'autres).
L'algorithme procède de manière élémentaire : il marginalise itérativement les nœuds de l'ensemble supérieur $U$ tant que la séparation graphique entre le traitement et le résultat (dans le graphe contrefactuel) est préservée.
Contrairement aux approches classiques qui énumèrent d'abord tous les ensembles puis filtrent, cette méthode intègre les contraintes directement dans le processus de sélection, garantissant l'optimalité sous certaines conditions de fidélité.

3. Résultats Clés et Contributions

Unification Théorique : L'article unifie les modèles graphiques pour l'équilibre (Lauritzen & Richardson) et la confusion (Richardson & Spirtes) sous le cadre des graphes antérieurs.
Interprétabilité Causale : Les interventions sont définies de manière purement graphique et locale (modification des arêtes adjacentes), sans dépendre des paramètres spécifiques du processus dynamique sous-jacent (contrairement aux diffusions de Langevin).
Représentation Contrefactuelle : Introduction de graphes contrefactuels et de graphes SWAIG pour les systèmes d'équilibre, permettant d'exprimer des hypothèses d'échangeabilité conditionnelle et de sélectionner des ensembles de réglage.
Algorithme de Sélection Optimal : L'Algorithme 4 fournit une procédure prouvée pour trouver un ensemble de réglage minimal respectant des contraintes d'inclusion/exclusion, applicable aux graphes antérieurs généraux.
Validation Empirique : Des simulations sur des modèles d'équilibre (avec échantillonnage de Gibbs et distributions d'équilibre) confirment que les indépendances conditionnelles prédites par le théorème de Markov sont bien respectées dans les données simulées.

4. Signification et Impact

Ce travail est significatif pour plusieurs raisons :

Gestion de l'Équilibre : Il comble un vide théorique en offrant un cadre rigoureux pour l'inférence causale dans des systèmes où les variables sont en équilibre (ex: économie, écologie, réseaux biologiques), là où les DAG échouent.
Prise en compte de la Confusion : Il traite explicitement la confusion non mesurée dans ces systèmes complexes, un problème fréquent en pratique.
Utilité Pratique : L'algorithme de sélection de confuseurs est directement applicable dans des domaines réglementés (essais cliniques, équité algorithmique) où certaines covariables doivent être incluses ou exclues pour des raisons éthiques, légales ou économiques.
Robustesse : En s'appuyant sur la propriété de Markov des graphes antérieurs et en évitant les hypothèses de fidélité trop restrictives, la méthode offre une approche plus robuste pour l'identification causale dans des structures graphiques complexes.

En résumé, cet article propose un cadre graphique complet et interprétable pour l'inférence causale dans des systèmes d'équilibre avec confusion, offrant à la fois des fondements théoriques solides et des outils algorithmiques pratiques pour la sélection de variables.