Discovering Entity-Conditioned Lag Heterogeneity: A Lag-Gated Neural Audit Framework for Panel Time Series

Résumé Technique : Découverte d'Hétérogénéité de Retards Conditionnée par l'Entité

Formulation du Problème
Dans l'analyse des séries temporelles en panel, les chercheurs rencontrent fréquemment le défi que différentes entités (par exemple, pays, régions) répondent aux signaux historiques sur des échelles de temps systématiquement différentes. Bien que les modèles de prévision neuronale existants, tels que le Temporal Fusion Transformer (TFT) et le Gated Attention Network (GA-Net), offrent des capacités de prédiction flexibles, ils ne sont pas conçus pour produire des distributions de retards spécifiques à l'entité, comparables et en tant que sorties principales. De plus, les métriques prédictives standard échouent souvent à valider si un modèle a appris des structures de retards hétérogènes significatives, en particulier lorsque les explications a posteriori peuvent être infidèles ou lorsque les risques de fuite de données obscurcissent les dépendances temporelles réelles. L'article répond au besoin d'un cadre qui traite la découverte de retards hétérogènes conditionnés par l'entité comme une tâche d'extraction testable, séparant l'étalonnage prédictif de la découverte structurelle des retards efficaces.

Méthodologie : AC-GATE
Les auteurs proposent AC-GATE (Adaptive-Conditioning Encoder with a Scale-Invariant Lag Gate), un cadre neuronal conçu pour modéliser des retards hétérogènes conditionnés par l'entité. L'architecture opère sur le postulat de la « capacité d'absorption », où les caractéristiques au niveau de l'entité modèrent la façon dont l'information est absorbée au fil du temps. Le pipeline se compose de trois composants principaux :

1. Encodeur à Conditionnement Adaptatif (AC) : Ce module mappe un vecteur proxy invariant dans le temps $p_i$ (représentant des covariables statiques au niveau de l'entité comme le capital humain ou la gouvernance) vers un score de conditionnement scalaire $z_i$. Une tête de reconstruction assure que $z_i$ conserve l'information sur le proxy original.
2. Porte de Retard Invariante à l'Échelle : Conditionnée par $z_i$, cette porte génère une distribution de poids de retard spécifique à l'entité $\omega_i$. Elle utilise une fonction Softmax sur des logits dérivés de $z_i$, intégrant une pénalité de position relative ($\lambda \cdot k/K$) pour assurer l'invariance d'échelle par rapport à l'horizon de retard maximal $K$. Cela produit une distribution de poids normalisée où $\sum \omega_{i,k} = 1$.
3. Squelette et Flux d'Information : Le vecteur de contexte pondéré $c_{i,t}$, formé en agrégeant les entrées retardées à l'aide de $\omega_i$, est traité par un squelette LSTM parallèlement aux embeddings d'entité et aux caractéristiques statiques. Crucialement, l'observation courante $X_{i,t}$ est exclue de l'entrée du squelette pour empêcher le modèle de contourner la porte de retard via des covariables contemporaines, évitant ainsi la fuite de données.

L'objectif d'entraînement minimise une perte de tâche agnostique au domaine (erreur quadratique moyenne de prévision) combinée à une perte de reconstruction auxiliaire pour le vecteur proxy.

Protocole d'Évaluation
L'article introduit un protocole d'audit en couches pour évaluer AC-GATE, distinguant la performance prédictive de la validité structurelle :

• L0 (Étalonnage de la Prévision) : Métriques standard (MSE, MAE, $R^2$) pour s'assurer que le modèle ne échoue pas en prédiction.
• L1 (Garde contre la Dégénérescence) : Vérifie si les retards efficaces appris $k^\star_i$ varient entre les entités. Si l'écart-type est proche de zéro, le modèle est considéré comme dégénéré (s'effondrant vers un retard uniforme).
• L2 (Hétérogénéité Structurée) : Teste si les retards efficaces appris sont alignés de manière non aléatoire avec des stratificateurs externes pré-spécifiés (par exemple, indices de gouvernance) en utilisant des corrélations de Spearman robustes aux signes et des tests de permutation.
• L3 (Récupération de la Vérité Terrain) : Appliqué uniquement aux données synthétiques où le mécanisme générateur de retard réel est connu, mesurant l'alignement entre les retards appris et les retards réels.

Résultats Expérimentaux
Le cadre a été évalué sur trois domaines : des panels synthétiques, un panel économique (PWT 11.0) et un panel énergétique (OWID Energy & WGI).

• Données Synthétiques : AC-GATE a récupéré avec succès la structure de retard hétérogène de vérité terrain, atteignant un alignement de rang élevé (Spearman $\rho \approx 0,945$ dans des contextes linéaires) par rapport à des bases de référence comme le LSTM simple, TFT et GA-Net, qui ont montré un alignement proche de zéro. Des études d'ablation ont confirmé que la suppression de l'encodeur AC ou l'imposition d'une distribution de retard uniforme éliminaient cette capacité de récupération.
• Données Réelles : Dans les panels économique et énergétique, AC-GATE a produit des retards efficaces non dégénérés et structurés de manière externe.
  • Dans le domaine économique, les retards appris étaient négativement associés au capital humain et au PIB par travailleur.
  • Dans le domaine énergétique, les retards étaient fortement associés à l'État de droit et à l'efficacité gouvernementale.
  • Crucialement, un contrôle négatif de mélange de proxy a démontré que lorsque la correspondance entité-proxy était brisée, l'alignement L2 s'effondrait tandis que la performance prédictive restait inchangée. Cela confirme que les signaux de retard structurés dépendent du conditionnement correct de l'entité, et non simplement de la capacité générique du modèle.
• Performance de Prévision : L'article note que AC-GATE ne surpasse pas systématiquement les bases de référence en termes de précision brute de prévision ($R^2$) sur les données réelles. Dans certains cas, le Grouped ARDL a surpassé les modèles d'apprentissage profond. La valeur d'AC-GATE est explicitement présentée comme une auditabilité structurelle plutôt qu'une domination prédictive.

Contributions Clés et Signification
L'article apporte trois contributions principales :

1. Formulation de la Tâche : Il formule la découverte de retards hétérogènes conditionnés par l'entité comme une tâche distincte d'extraction de séries temporelles en panel, allant au-delà de la simple prédiction.
2. Innovation Architecturale : Il introduit AC-GATE, qui génère des retards efficaces au niveau de l'entité en tant que sortie structurelle via un mécanisme de porte de retard explicite, plutôt que de s'appuyer sur une interprétation a posteriori.
3. Cadre d'Audit : Il propose un protocole d'audit en couches qui découple l'étalonnage de la prévision de la découverte de retards, fournissant une méthode rigoureuse pour valider si un modèle a appris des motifs de réponse temporelle significatifs et non dégénérés.

Signification
Les auteurs positionnent ce travail non pas comme un nouveau benchmark de prévision, mais comme un design d'audit de retard reproductible. La signification réside dans le déplacement de l'analyse des retards dans l'apprentissage en panel d'une couche d'interprétation informelle vers une sortie de modèle explicite et inspectable. En démontrant qu'AC-GATE peut récupérer des structures de retard connues dans des données synthétiques et détecter une hétérogénéité non dégénérée et structurée de manière externe dans des panels réels au niveau des pays, l'article fournit un outil pour caractériser les réponses temporelles hétérogènes. Les résultats soutiennent l'utilisation de tels modèles pour générer des « résumés de retards efficaces dérivés du modèle » qui peuvent être audités pour l'effondrement, la structure externe et la récupérabilité synthétique, offrant un moyen vérifiable d'exposer l'hétérogénéité des retards conditionnée par l'entité.