Résumé Technique : Arrêter de Supprimer la Queue : Inférence Causale pour les Événements Extrêmes

1. Énoncé du Problème

L'estimation de la Fonction Moyenne de Réponse Dose-Réponse (ADRF), $\theta(t) = E[Y(t)]$, sous un traitement continu est une tâche fondamentale en inférence causale, généralement abordée via l'Apprentissage Automatique Double (DML). Cependant, lorsque les résultats $Y$ présentent des queues lourdes (par exemple, rendements financiers, sinistres d'assurance, pertes climatiques), les approches DML robustes standard font face à un dilemme critique :

1. Suppression de la Queue : Pour stabiliser la moyenne de masse, les méthodes DML robustes (utilisant des pertes de Huber, de quantile ou de Winsorisation) suppriment délibérément les valeurs extrêmes. Bien que cela stabilise l'estimation ponctuelle, cela élimine l'information de la queue qui est souvent la quantité principale d'intérêt dans les domaines à haut risque (par exemple, la perte 1 sur 1000).
2. Dépendance Circulaire dans l'Estimation de la Queue : Une alternative naïve consiste à estimer les caractéristiques de la queue (par exemple, le paramètre de forme $\xi$ de la distribution de Pareto généralisée) à partir des résidus de l'estimateur DML central. Cela introduit une circularité structurelle : la forme de queue inférée $\hat{\xi}$ devient une fonction du choix de l'estimateur central. Par exemple, sur le même jeu de données, le passage de la perte centrale de Huber à Welsch peut faire passer la forme de queue inférée d'une queue bornée ($\hat{\xi} \approx -0,42$) à une queue lourde ($\hat{\xi} \approx +0,28$), rendant le diagnostic peu fiable.
3. Absence de Sortie de Queue : Le DML robuste standard ne renvoie qu'une estimation ponctuelle stabilisée par la masse, omettant les estimations de forme de queue, les quantiles extrêmes ou les déficits conditionnels.

2. Méthodologie

Les auteurs proposent un estimateur à deux composantes qui découple l'estimation centrale de l'ADRF du diagnostic de queue, garantissant que la sortie de la queue est invariante au choix de la méthode centrale.

A. Estimateur Central : TailWelsch-DML

La première composante est un estimateur central robuste conçu pour préserver le taux de convergence DML orthogonal de Neyman standard tout en minimisant la suppression de la queue.

• Mécanisme : Il utilise un estimateur M local linéaire pondéré par noyau employant une fonction de poids Welsch décroissante : $w(r) = \exp(-\gamma (r/\sigma)^2)$.
• Découpage Fixe : Contrairement aux approches adaptatives, le paramètre de découpage $\gamma$ est maintenu constant à une valeur modérée ($\gamma = 0,10$). Les auteurs soutiennent que lier $\gamma$ à une estimation de queue basée sur les données n'améliore pas l'erreur absolue moyenne (MAE) de l'ADRF centrale et que l'information de la queue est mieux utilisée dans la sortie post-centrale.
• Avantage : Cette conception garantit que la perte de deuxième étape est exempte de réglage dépendant des données, permettant l'application directe des taux DML standards.

B. Diagnostic de Queue : PDHTE+JK

La deuxième composante estime la forme de queue par traitement $\hat{\xi}(t)$ et l'échelle $\hat{\sigma}(t)$ sans dépendre des résidus de l'estimateur central, brisant ainsi la dépendance circulaire.

• Centrage Médian Pilote : Au lieu d'utiliser $Y - \hat{\theta}(T)$, la méthode centre le résultat $Y$ en utilisant une médiane pondérée par noyau pilote $\tilde{Y}(t)$. Cette estimation de position est indépendante de la méthode centrale en aval.
• Détection de Plateau : La méthode applique un estimateur de Hill sur une gamme de fractions d'ordre statistique ($\kappa$) pour détecter un « plateau » (stabilité de $\hat{\xi}$). Un seuil de coefficient de variation (CV) ($<0,25$) détermine si une queue à variation régulière existe.
• Estimation Hybride : Si un plateau est détecté, l'estimation finale de forme utilise un estimateur de moment Dekkers-Einmahl-de Haan (DEdH) (non biaisé sur les domaines Fréchet, Gumbel et Weibull).
• Correction Jackknife : Un jackknife à rétrécissement amorti est appliqué pour corriger le biais d'échantillon fini de l'estimateur DEdH.
• Mécanisme de Refus : Si la condition de plateau n'est pas remplie (indiquant que les données ne suivent pas un régime de queue à variation régulière), l'estimateur refuse explicitement d'extrapoler, renvoyant une sortie indéfinie plutôt qu'une estimation de queue fallacieuse.

C. Fonctionnels Causaux Post-Centraux

En utilisant les sorties du centre et du diagnostic, le cadre construit cinq quantités conditionnelles à la queue :

1. Forme par Queue $\hat{\xi}(t)$ : L'estimation de forme de queue invariante.
2. Récupération de la Moyenne $\hat{E}[Y(t)]$ : Une formule reconstruisant la moyenne complète de l'ADRF en ajoutant les contributions GPD conditionnelles au signe (pour les dépassements positifs et négatifs) à l'estimation centrale robuste $\hat{\theta}_W(t)$. Ceci est crucial pour les contaminations asymétriques où le fonctionnel M diffère de la moyenne.
3. Niveaux de Retour Hybrides $\hat{Q}_\alpha(t)$ : Quantiles extrêmes estimés via une approche hybride :
   • Mode Empirique : Utilise les quantiles empiriques pondérés par noyau lorsque la taille d'échantillon effective est suffisante ($\alpha n_{eff} \ge 1$).
   • Mode GPD : Utilise l'extrapolation GPD uniquement lorsque les données sont rares ($\alpha n_{eff} < 1$).
4. Déficit Conditionnel $\hat{S}_\alpha(t)$ : La perte attendue étant donné un dépassement (analogue au CVaR), dérivée sous forme fermée de l'ajustement GPD.
5. Effet Causal de la Queue : La sensibilité du niveau de retour au traitement, $\partial \hat{Q}_\alpha / \partial t$.

Déconfusion : Pour les settings confondus ($T \not\perp X$), la méthode applique des poids de stabilisation de Score de Propension Généralisé (GPS) aux poids de noyau. Bien que cela n'atteigne pas la consistance $\sqrt{n}$, cela fournit une déconfusion partielle du premier ordre, réduisant le biais dans les niveaux de retour d'environ 63 %.

3. Contributions Clés

1. TailWelsch-DML : Un estimateur central Welsch-DML décroissant avec découpage constant ($\gamma=0,10$) qui améliore la MAE de l'ADRF centrale de 11,6 % par rapport au Standard-DML sur les panneaux de vérification.
2. PDHTE+JK : Un estimateur de queue hybride à détection de plateau qui ne consomme que des résultats centrés par médiane pilote. Il établit l'invariance de la méthode, garantissant que les diagnostics de queue ne sont pas confondus par le choix de la perte robuste centrale. Il inclut un mécanisme de refus explicite lorsque les hypothèses EVT échouent.
3. Fonctionnels Causaux Conditionnels à la Queue : Une suite de cinq sorties (forme, récupération de la moyenne, niveaux de retour, déficit, effet de queue) qui fournissent des métriques d'événements extrêmes exploitables alongside l'estimation ponctuelle.
4. Supériorité Empirique : Réductions démontrées de l'erreur de queue profonde par rapport aux bases de référence standard.

4. Résultats Expérimentaux

L'article valide l'approche sur des Processus de Génération de Données (DGPs) synthétiques et des données réelles (sinistres d'assurance automobile freMTPL2).

• Performance Centrale : TailWelsch-DML réduit la MAE de l'ADRF centrale de 11,6 % (IC 90 % : $[-17,3\%, -5,8\%]$) par rapport au Standard-DML et surpasse marginalement Huber-DML.
• Invariance de la Méthode : Sur des DGPs asymétriques où les estimateurs basés sur les résidus (Standard, Huber, Welsch) ont produit des formes de queue conflictuelles (allant de $-0,42$à$+0,28$), PDHTE+JK a correctement refusé d'estimer, démontrant son indépendance vis-à-vis de la méthode centrale.
• Précision de la Queue Profonde ($\alpha = 0,001$) :
  • L'estimateur proposé a réduit la MAE du niveau de retour de 11 % par rapport à la Régression de Quantile pondérée par noyau (QR).
  • Il a réduit la MAE du déficit conditionnel de 25,5 % par rapport à la QR.
  • Dans les régimes de petits échantillons ($n \le 2000$), la réduction de MAE variait de 20 % à 29 %.
• Classification des Régimes : La méthode a correctement classé les régimes de queues lourdes (Fréchet) dans 6/6 cas, tandis que les proxies dérivés de la QR n'ont réussi que dans 1/6 cas.
• Application Réelle (freMTPL2) : Sur des sinistres d'assurance automobile avec un kurtosis extrême (1667), l'estimateur proposé a explicitement refusé d'extrapoler à l'échelle du log-sinistre (où le kurtosis était faible), une sortie de sécurité critique que ni la QR ni le DML basé uniquement sur la perte n'ont produite.

5. Signification et Revendications

L'article soutient que la pratique standard consistant à supprimer les queues lourdes pour stabiliser les estimations de l'ADRF élimine les quantités mêmes qui pilotent les décisions à haut risque (par exemple, les pertes extrêmes). De plus, il met en évidence que l'inférence des propriétés de la queue à partir des résidus de l'estimateur central crée une dépendance circulaire qui invalide le diagnostic.

L'estimateur proposé résout ces problèmes en :

1. Préservant la Queue : Il évite de supprimer les extrêmes dans la fonction de perte, utilisant à la place un noyau robuste à découpage constant.
2. Garantissant la Validité : Il fournit un diagnostic de queue (PDHTE+JK) qui est invariant au choix de la méthode centrale, brisant la circularité.
3. Fournissant des Sorties Exploitables : Il délivre des quantités de queue structurées (forme, niveaux de retour, déficits) et un mécanisme de refus explicite lorsque les données ne soutiennent pas la modélisation des valeurs extrêmes.

Les auteurs notent modestement des limites : la méthode cible les queues de résidus univariés, la déconfusion GPS n'est pas consistante en $\sqrt{n}$, et l'estimateur suppose que l'indice de queue est causal via la stabilité maximale (Proposition 2), tandis que les niveaux de retour et les déficits nécessitent une déconfusion partielle. L'approche est présentée comme un cadre pratique pour l'inférence causale dans des settings à queues lourdes où les événements extrêmes sont la préoccupation principale.