Résumé Technique : Inférence Causale en Milieux Séquentiels sous Interférence et Confusion Latente

Énoncé du Problème

Ce travail traite du défi de l'inférence causale dans des contextes observationnels séquentiels où l'hypothèse de valeur de traitement constante pour les unités stables (SUTVA) est violée en raison d'une interférence sur les résultats et de la présence de confusion latente.

Dans de nombreux scénarios réels, tels que la propagation de maladies infectieuses ou l'adoption de vaccins, le résultat d'une unité (par exemple, un individu ou un comté) dépend non seulement de son propre traitement et de ses caractéristiques, mais aussi des résultats, des traitements et des caractéristiques des autres unités de la population. De plus, ces relations sont souvent observées au fil du temps, introduisant des dépendances temporelles. La littérature existante traite généralement l'interférence ou les contextes séquentiels séparément, ou suppose que les facteurs de confusion sont observés. Cet article s'attaque au cadre complexe où :

1. Interférence : Les résultats sont interdépendants entre les unités (dépendance spatiale).
2. Séquentialité : Les résultats évoluent sur des pas de temps avec des dépendances entre les pas de temps adjacents.
3. Confusion Latente : Des variables non observées influencent à la fois les traitements et les résultats, modélisées par une structure de rang faible similaire aux modèles de facteurs de données de panel.
4. Rareté des Données : Les données disponibles constituent un échantillon unique (une seule réalisation) de cette distribution jointe de haute dimension de $N$ unités sur $T$ pas de temps.

L'objectif est d'estimer des quantités causales d'intérêt, spécifiquement l'Effet de Traitement Généralisé (GTE), qui compare les résultats moyens sous deux schémas d'intervention arbitraires, malgré l'observation d'une seule trajectoire.

Méthodologie

Formulation du Modèle

Les auteurs modélisent le système comme un processus markovien sur $T$ pas de temps pour $N$ unités. Le résultat binaire $x_i^{(t)} \in \{-1, 1\}$ pour l'unité $i$ au temps $t$ est régi par un modèle d'Ising conditionnel par rapport au pas de temps précédent, aux interventions actuelles et aux facteurs de confusion latents.

La distribution de probabilité est définie par :
$$p(x | z) = \prod_{t=1}^T p(x^{(t)} | z^{(t)}, x^{(t-1)})$$
où la probabilité conditionnelle est proportionnelle à :
$$\exp\left( \sum_{i=1}^N \alpha_i^{(t)} x_i^{(t)} + \beta \sum_{i=1}^N x_i^{(t)} z_i^{(t)} + \xi \sum_{i \neq j} \gamma_{ij} x_i^{(t)} x_j^{(t)} + \eta \sum_{i=1}^N x_i^{(t)} x_i^{(t-1)} \right)$$

Les paramètres clés incluent :

• $\alpha_i^{(t)}$ : Facteurs de confusion latents (champ externe).
• $\beta$ : Effet direct du traitement.
• $\xi$ : Force de l'interférence spatiale (matrice d'interaction $\Gamma$).
• $\eta$ : Force de la dépendance temporelle.

Hypothèses Clés :

1. Structure Latente de Rang Faible : La matrice des facteurs de confusion latents $A = \{\alpha_i^{(t)}\}$ a un rang $k \ll N, T$, exprimable sous la forme $A = UV^\top$.
2. Interaction Bornée : La force d'interaction satisfait la condition d'unicité de Dobrushin ($\|\xi^* \Gamma\|_\infty < 1$), assurant une décroissance de la corrélation et une inférence efficace.
3. Excitabilité des Interventions : La matrice d'intervention $Z$ n'est pas parfaitement colinéaire avec les facteurs de confusion latents, garantissant l'identifiabilité de l'effet de traitement $\beta$.

Algorithme d'Apprentissage : MPLE Séquentiel

Pour apprendre les paramètres $\theta = (A, \beta, \xi, \eta)$ à partir d'un échantillon unique, les auteurs proposent une approche de Maximum de Pseudo-Vraisemblance (MPLE) Séquentielle.

• Objectif : Minimiser la log-vraisemblance pseudo-négative :
  $$\hat{\theta} \in \arg\min_{\theta \in \Theta} -\sum_{t=1}^T \sum_{i=1}^N \log p_\theta(x_i^{(t)} | x_{-i}^{(t)}, z_i^{(t)}, x_i^{(t-1)})$$
• Optimisation : L'objectif est convexe en $\theta$ si $A$ était fixe, mais la contrainte de rang faible sur $A$ rend le problème non convexe. Les auteurs paramètrent $A = UV^\top$ et utilisent une minimisation alternée (fixer $U$ pour mettre à jour $V$, et vice versa) avec régularisation.
• Inférence : Une fois les paramètres estimés, les quantités causales (GTE) sont estimées en échantillonnant à partir du modèle appris via un Échantillonnage de Gibbs Séquentiel. En raison de la condition de Dobrushin, l'échantillon converge rapidement, permettant un calcul efficace des espérances contrefactuelles.

Contributions Clés

1. Modèle Unifié : L'article introduit un modèle qui capture simultanément la dynamique séquentielle, l'interférence de réseau (interférence de résultat) et la confusion latente de rang faible.
2. Estimation Computationnellement Efficace : Il fournit une méthode exploitable (MPLE Séquentiel) pour apprendre les paramètres de haute dimension d'un modèle à partir d'une observation unique de la distribution jointe.
3. Garanties Non-Asymptotiques :
   • Estimation de Paramètres : Le Théorème 1 établit la cohérence non-asymptotique pour l'estimation des paramètres. La borne d'erreur est de l'ordre de $O\left(\frac{k(N+T)\log T}{T\|\Gamma\|_F^2}\right)$, montrant que la taille effective de l'échantillon est pilotée par la force d'interaction et le nombre de pas de temps.
   • Estimation Causale : Le Théorème 2 et le Corollaire 2 montrent que l'erreur dans l'estimation de l'Effet de Traitement Généralisé (GTE) est bornée par l'erreur d'estimation des paramètres. Cela repose sur les propriétés de décroissance de corrélation sous la condition de Dobrushin, garantissant que les erreurs d'estimation locales ne se propagent pas spatialement ou temporellement pour corrompre l'estimation causale globale.
4. Validation Empirique : La méthode est validée sur des données synthétiques et une étude de cas réelle impliquant les taux de vaccination et de mortalité liés à la COVID-19 dans les comtés américains.

Résultats

Expériences Synthétiques

Dans des contextes synthétiques avec $N=500$ et $T=50$, la méthode proposée ($\hat{\theta}$) surpasse significativement les bases de référence qui ignorent l'interférence ($\hat{\theta}_{\xi=0}$) ou la confusion latente ($\hat{\theta}_{A=0}$).

• Récupération de Paramètres : La méthode récupère avec précision l'effet de traitement $\beta$, la force d'interaction $\xi$, et la force temporelle $\eta$.
• Précision Causale : L'erreur absolue de l'estimation du GTE a été améliorée d'environ 92 % par rapport à la base de référence sans interférence et de 91 % par rapport à la base de référence sans confusion latente.
• Robustesse : La méthode a réussi à récupérer les paramètres même lorsque la condition théorique de Dobrushin était légèrement violée ($|\xi^*| + |\eta^*| > 1$), suggérant une robustesse pratique.

Étude de Cas Réelle : COVID-19

Les auteurs ont appliqué le modèle aux données par comté aux États-Unis (mars 2020 – mai 2022) pour estimer l'effet causal de la vaccination sur les taux de mortalité.

• Configuration : Les résultats sont des indicateurs binaires de taux de mortalité élevés ; les interventions sont des indicateurs binaires de taux de vaccination dépassant 30 %.
• Validation Hybride : Pour traiter les violations potentielles des hypothèses d'identifiabilité dans les données réelles, des "expériences hybrides" ont été menées où le schéma d'intervention réel était utilisé, mais les résultats étaient générés par le modèle. La méthode a identifié les paramètres avec succès dans ce cadre.
• Récupération sur l'Ensemble de Test : Le modèle a été entraîné sur un sous-ensemble de données et testé sur un ensemble de test tenu à l'écart, construit pour respecter les dépendances spatio-temporelles. Le modèle a obtenu une erreur absolue faible (0,015 sur l'ensemble de test), comparable au cas hybride, démontrant son expressivité.
• Constatations Causales :
  • La modélisation de l'interférence a produit un effet causal de la vaccination estimé plus important que le modèle sans interférence.
  • Sous le contre-factuel "sans interventions", le modèle prédisait des résultats pires que ceux observés initialement, tandis que le contre-factuel "toutes interventions" prédisait de meilleurs résultats, convergeant à mesure que les taux de vaccination augmentaient.
  • Le modèle d'interférence a capturé les effets de "débordement" (spill-over) où la vaccination dans une zone bénéficie aux autres, une nuance omise par les modèles standards.

Signification et Revendications

L'article affirme offrir un cadre prouvable pour l'inférence causale dans un contexte où trois complexités majeures coexistent : l'interférence de réseau, les dépendances intertemporelles et la confusion latente.

• Contribution Théorique : Il étend la littérature sur l'apprentissage de distributions de haute dimension à partir d'échantillons uniques (précédemment limitée aux contextes non séquentiels ou non confondus) au cas séquentiel à variables latentes. Il fournit les premières garanties non-asymptotiques pour l'estimation causale dans ce régime spécifique et hautement complexe.
• Utilité Pratique : En démontrant l'efficacité sur un problème de santé publique réel (COVID-19), les auteurs soutiennent que leur méthode peut éclairer les décisions politiques en fournissant des estimations plus précises des effets de traitement en présence d'interférence et de facteurs de confusion non observés.
• Limites : Les auteurs reconnaissent modestement que leurs garanties théoriques reposent sur la condition d'unicité de Dobrushin, qui peut ne pas s'appliquer dans tous les scénarios réels avec une interférence forte. Ils notent que bien que leur méthode ait bien fonctionné dans les expériences, la compréhension des performances dans les régimes violant cette condition reste un domaine ouvert.

En résumé, ce travail comble le fossé entre l'inférence causale théorique et les données séquentielles complexes du monde réel, en proposant une méthode qui est à la fois efficace sur le plan computationnel et théoriquement fondée pour estimer les effets causaux sous interférence et confusion latente.