Résumé Technique : Inférence Conforme Adaptative à Double Robustesse pour les Effets Causaux sous Dépendance Temporelle

1. Énoncé du Problème

L'article traite du défi de quantifier l'incertitude des effets de traitement hétérogènes (spécifiquement l'Effet de Traitement Moyen Conditionnel, ou CATE, $\tau(X)$) dans des contextes caractérisés par une dépendance temporelle.

Les méthodes de prédiction conforme standard (par exemple, le conformal split) reposent sur l'hypothologie d'échangeabilité (données indépendantes et identiquement distribuées). Cette hypothèse échoue dans les contextes de séries temporelles courants en finance et en épidémiologie, où les observations adjacentes sont corrélées. Par conséquent, l'application naïve de méthodes conformes aux estimateurs causaux conduit à des garanties de couverture invalides. De plus, les intervalles de l'inférence causale standard (asymptotiques, bootstrap, bayésiens) perdent souvent leurs garanties de calibration sans distribution ou nécessitent une spécification de modèle correcte, ce que les estimateurs d'apprentissage automatique ne peuvent pas facilement garantir.

L'objectif spécifique est de construire des intervalles de prédiction à échantillon fini et sans distribution pour les estimations d'effets de traitement individuels sans supposer d'observations indépendantes, tout en utilisant des pseudo-résultats doublement robustes (DR) pour atténuer les erreurs d'estimation des variables de nuisance.

2. Méthodologie : DR-ACI

La méthode proposée, la DR-ACI (Inférence Conforme Adaptative à Double Robustesse), intègre trois composantes clés :

A. Pseudo-résultats Doublement Robustes (DR)

Au lieu de se calibrer sur les résultats bruts $Y_t$ ou les CATE latents $\tau(X_t)$, la méthode construit des pseudo-résultats doublement robustes $\psi^{DR}_t$ :
$$\psi^{DR}_t = \hat{\mu}_1(X_t) - \hat{\mu}_0(X_t) + \frac{W_t(Y_t - \hat{\mu}_1(X_t))}{\hat{e}(X_t)} - \frac{(1-W_t)(Y_t - \hat{\mu}_0(X_t))}{1 - \hat{e}(X_t)}$$
où $\hat{e}$ est le score de propension estimé et $\hat{\mu}_w$ sont les modèles de résultats conditionnels estimés. Sous une spécification correcte d'au moins un modèle de nuisance, $\psi^{DR}_t$ est un estimateur sans biais de $\tau(X_t)$ avec une erreur bornée par le produit des erreurs d'estimation des nuisances.

B. Cross-Fitting par Blocs Temporels avec Bandes de Garde

Pour gérer la dépendance temporelle ($\beta$-mélange) tout en préservant les propriétés d'orthogonalité de l'estimation DR, les auteurs proposent le cross-fitting par blocs temporels avec bandes de garde :

1. Partitionnement : La série temporelle est divisée en $K$ blocs contigus.
2. Bandes de Garde : Lors de l'entraînement des modèles de nuisance sur un ensemble de blocs, une « bande de garde » de $g$ observations adjacentes au bloc de calibration maintenu à l'écart est exclue de l'entraînement.
3. Objectif : Cela assure une séparation temporelle d'au moins $g$ étapes entre les données d'entraînement et de calibration. Sous une condition de $\beta$-mélange, cela réduit la dépendance résiduelle (erreur de couplage) entre l'ensemble d'entraînement et l'ensemble de calibration à $O(\beta(g)^{\delta/(2+\delta)})$.

C. Inférence Conforme Adaptative (ACI)

La méthode utilise le cadre ACI (Gibbs et Candès, 2021) pour mettre à jour dynamiquement le niveau de sous-couverture $\alpha_t$ :
$$\alpha_{t+1} = \alpha_t + \gamma(\alpha - \mathbb{1}\{\psi^{DR}_t \notin \hat{C}_t\})$$
Cela fournit une garantie de couverture à long terme déterministe, même lorsque la séquence de scores n'est pas échangeable.

D. DR-ACI Standardisé par la Variance (VS-DR-ACI)

Pour traiter le problème où les pseudo-résultats DR incluent une variance de bruit ($\xi_t$) qui gonfle la largeur de l'intervalle, les auteurs proposent une standardisation de la variance :
$$s^{VS}_t = \frac{|\psi^{DR}_t - \hat{\tau}(X_t)|}{\hat{\sigma}_\xi(X_t)}$$
où $\hat{\sigma}_\xi(X_t)$ estime l'écart-type local du bruit DR. Cela adapte la largeur de l'intervalle aux niveaux de bruit locaux, évitant un élargissement inutile dans les régions de faible bruit.

3. Contributions Théoriques Clés

A. Décomposition de Couverture à Trois Termes

Le principal résultat théorique (Théorème 2) décompose l'écart de couverture en trois termes distincts :

1. Écart de Mélange (Mixing Gap) : $\min_\tau \{ \tau/T + 2\beta(\tau) \}$. Ce terme provient de la dépendance temporelle et est contrôlé par la borne du coefficient de commutation.
2. Taxe de Biais de Nuisance : $\|\hat{e} - e\|_2 \cdot \|\hat{\mu} - \mu\|_2$. Ce terme représente le produit des erreurs d'estimation des nuisances. L'article prouve que le cross-fitting par blocs temporels avec bandes de garde préserve le taux de biais produit standard de la DML sous $\beta$-mélange, en ajoutant seulement un reste de couplage explicite de $O(\beta(g)^{\delta/(2+\delta)})$.
3. Taux d'Adaptation : $O(T^{-1/2})$. Ce terme provient du mécanisme de mise à jour ACI.

B. Héritage du Coefficient de Commutation

L'article établit (Lemme 9) que les scores de conformité construits à partir des pseudo-résultats DR héritent des bornes du coefficient de commutation du processus sous-jacent. Cela permet à l'écart de couverture d'être borné par le coefficient de mélange des données, même lorsque les modèles de nuisance sont estimés.

C. Contention Asymptotique du CATE

Bien que la procédure conforme cible directement le pseudo-résultat $\psi^{DR}_t$, l'article montre (Corollaire 6) que sous la condition de consistance de l'estimateur ($\|\hat{\tau} - \tau\|_{L2} = o_p(1)$), les intervalles résultants fournissent une contention asymptotiquement conservatrice pour le CATE latent $\tau(X_t)$. L'intervalle sur-couvre $\tau(X_t)$ car il est calibré pour la cible plus large $\psi^{DR}_t = \tau(X_t) + \xi_t$.

4. Résultats Empiriques

Étude de Simulation

• Écart de Mélange : Sous des conditions stationnaires avec des autocorrélation ($\rho$) variables, toutes les méthodes conformes ont maintenu une couverture valide. La borne de mélange théorique a été jugée très conservatrice (prédisant une chute de couverture à 67 % pour $\rho=0,99$, alors que la couverture observée restait proche de 90 %).
• Biais de Nuisance : Les méthodes Oracle et DR-ACI estimées ont montré une couverture identique, confirmant que la taxe de biais de nuisance est négligeable pour les tailles d'échantillon standard et les apprenants.
• Dérive et Dépendance (Régime D) : Dans un scénario combinant une forte dépendance ($\rho=0,95$) et une dérive des covariables :
  • VS-DR-ACI a maintenu une couverture valide (89,9 %) avec une largeur d'intervalle stable.
  • DR-ACI Standard a maintenu la couverture mais a souffert d'une inflation massive de l'intervalle (la largeur a augmenté d'environ 170 fois).
  • Split Conformal et les intervalles DML-Wald ont perdu une couverture significative (chutant respectivement de ~29 pp et ~35 pp).
  • Mécanisme : La standardisation de la variance a empêché la « spirale » du quantile adaptatif sous non-stationnarité en maintenant les scores approximativement de variance unitaire.
• Efficacité : VS-DR-ACI a produit des intervalles 63 % plus étroits que le split conformal tout en maintenant une couverture valide.

Application Empirique : Nasdaq Dynamic M-ELO

La méthode a été appliquée à une expérience naturelle concernant le déploiement par Nasdaq de l'ordre Dynamic Midpoint Extended Life (M-ELO) sur les cohortes d'actions.

• Contexte : Adoption échelonnée de minuteurs de maintien dynamiques à travers les cohortes d'actions.
• Résultat : DR-ACI a identifié une hétérogénéité significative des effets de traitement. Alors que l'inférence asymptotique de base n'a trouvé que 12,3 % d'actions avec des effets significatifs, DR-ACI en a identifié 33,2 % (une augmentation de 2 000 actions d'informations exploitables).
• Précision : Les intervalles DR-ACI étaient 50 % plus étroits que les intervalles asymptotiques de base, permettant une classification plus précise des effets de traitement au niveau de l'action.

5. Signification et Revendications

L'article affirme occuper une intersection unique dans la littérature : combiner des scores doublement robustes, une couverture valide sous $\beta$-mélange et une adaptation en ligne.

• Signification Théorique : Il fournit la première garantie de couverture pour les pseudo-résultats DR sous $\beta$-mélange, quantifiant explicitement le coût de la dépendance (écart de mélange) et la préservation des taux de biais DML via les bandes de garde.
• Signification Pratique : Il offre une méthode valide en échantillon fini et sans distribution pour l'inférence causale dans les données de séries temporelles où les hypothèses standard échouent. La variante standardisée par la variance (VS-DR-ACI) s'est montrée robuste à la fois à la dépendance et à la dérive, surpassant les méthodes existantes en termes de stabilité et de largeur d'intervalle.
• Limites : Les auteurs notent explicitement que les garanties théoriques supposent la stationnarité. La robustesse à la dérive observée dans les simulations et l'application Nasdaq est une preuve empirique, et non couverte par le théorème principal. La borne de mélange est reconnue comme étant conservatrice pour les fonctions de score lisses, et la dérivation d'une borne plus serrée pour ces cas est identifiée comme un travail futur. La méthode suppose également l'hypothèse SUTVA (Stable Unit Treatment Value Assumption), qui est approximative dans les marchés financiers en raison de potentiels effets de débordement (spillovers).