Résumé Technique : Un Cadre Mathématique pour l'Analyse de Données Causales Topologiques

Énoncé du Problème

Les résultats scientifiques modernes se manifestent souvent sous la forme d'objets structurés — tels que des images, des nuages de points, des réseaux et des champs spatiaux — plutôt que sous forme de valeurs scalaires. Dans de tels contextes, le contraste causal standard $Y_1 - Y_0$ est fréquemment indéfini ou scientifiquement inadéquat. Réduire ces structures complexes à un résumé scalaire unique peut faire perdre des informations géométriques ou topologiques critiques, tandis qu'une simple soustraction échoue à capturer les changements de forme, de connectivité ou de regroupement (clustering).

Bien que l'Analyse de Données Topologiques (TDA) fournisse des résumés multi-échelles (par exemple, les diagrammes de persistance, les paysages), ces outils manquent d'une interprétation causale intrinsèque. Une caractéristique topologique décrit une géométrie observationnelle mais ne rend pas compte des facteurs de confusion ou de l'assignation du traitement. Inversement, les cadres d'inférence causale standard sont généralement conçus pour des résultats de type scalaire ou vectoriel. Il existe un besoin pour une architecture mathématique rigoureuse qui intègre l'identification causale avec la représentation topologique sans confondre les rôles distincts de l'intervention, de l'identification et de l'extraction de caractéristiques.

Méthodologie : Le Cadre TCDA

Le document introduit l'Analyse de Données Causales Topologiques (TCDA), un cadre défini par le tuple $P_{TCDA} = (S, M(G), T, C)$. Cette architecture sépare explicitement quatre couches :

1. Espace d'Observation ($S$) : L'espace mesurable des données observées $(X, A, Y)$.
2. Classe de Modèles Causaux ($M(G)$) : L'ensemble des modèles causaux compatibles avec un graphe $G$, déterminant les résultats potentiels $Y^a$.
3. Représentation Topologique ($T$) : Une application mesurable transformant les résultats ou les lois en un espace métrique ou de Banach.
4. Requête Causale ($C$) : La cible spécifique de l'inférence définie sur le modèle causal.

Le cadre distingue deux branches principales d'analyse, qui ne commutent généralement pas :

1. TCDA au Niveau du Résultat (Outcome-Level)

Dans cette branche, la topologie est appliquée aux résultats potentiels individuels avant la moyenne.

• Représentation : Soit $T_{out}: Y \to B$ une application mesurable dans un espace de Banach séparable $B$ (par exemple, les paysages de persistance, les silhouettes).
• Cible : L'Effet de Traitement Moyen Topologique (TATE) est défini comme :
  $$TATE_{out} = E[T_{out}(Y^1)] - E[T_{out}(Y^0)]$$
• Identification : Sous des hypothèses standards (Consistance, Échangeabilité Conditionnelle, Positivité Stricte), l'effet au niveau du résultat est identifié via la standardisation ou la pondération par l'inverse de la probabilité (IPW). Le document étend ces résultats aux résultats à valeurs dans un espace de Banach, établissant les conditions pour l'intégrabilité de Bochner et dérivant des estimateurs doublement robustes avec des bornes de taux de produit pour les fonctions de nuisance.
• Effets sans Vectorisation : Pour les cas où la vectorisation est évitée, le cadre considère des estimands de l'espace métrique comme les moyennes de Fréchet ou les médianes géométriques de diagrammes de persistance, en s'appuyant sur la géométrie métrique de l'espace des diagrammes (par exemple, la distance de Wasserstein).

2. TCDA au Niveau de la Distribution (Distribution-Level)

Dans cette branche, la topologie est appliquée aux lois des résultats interventionnels elles-mêmes.

• Représentation : Soit $T_{dist}: \mathcal{P}^*(Y) \to Z_{dist}$ une application agissant sur les lois de probabilité (par exemple, appliquer la persistance homologique au support ou à la fonction de distance à la mesure).
• Cible : L'effet au niveau de la distribution est :
  $$\Delta_{dist} = T_{dist}(P^1_Y) - T_{dist}(P^0_Y)$$
  (ou une divergence scalaire $d_{dist}(T_{dist}(P^1_Y), T_{dist}(P^0_Y))$).
• Identification : Les lois interventionnelles $P^a_Y$ sont identifiées via la formule $g$ causale. La représentation topologique est appliquée après cette étape d'identification.
• Non-Commutation : Le document démontre que les contrastes au niveau du résultat et au niveau de la distribution diffèrent généralement. Ils concordent si et seulement si $T_{dist} - A$ est constante sur la classe de lois pertinente (où $A$ est la fonctionnelle de la moyenne). Les représentations non-affines (par exemple, celles sensibles au regroupement ou à la connectivité) créent une divergence fondamentale entre la moyenne des résumés topologiques et le résumé des lois moyennées.

Stabilité et Garanties de Plug-in

Le cadre établit que si la représentation topologique est lipschitzienne par rapport à une métrique de diagramme spécifique (par exemple, la distance de bottleneck ou de Wasserstein), le contraste causal hérite de cette stabilité.

• Niveau du Résultat : La stabilité est transférée de l'espace des résultats vers le TATE via le couplage des résultats potentiels.
• Niveau de la Distribution : La stabilité est transférée de l'espace des lois de probabilité (par exemple, la distance $W_2$) vers l'effet au niveau de la distribution. Pour la persistance de la Distance-à-la-Mesure (DTM), l'erreur de l'effet estimé est bornée par l'erreur $W_2$ des lois interventionnelles estimées, mise à l'échelle par le paramètre $m$ de la DTM.

Ignorabilité Topologique et Limites de Découverte

• Ignorabilité Topologique Spécifique à la Cible : En s'appuyant sur Saki et Faghihi [32], le document formalise l'ignorabilité topologique conditionnelle. Il s'agit d'une hypothèse plus faible que l'échangeabilité conditionnelle faible, suffisante pour identifier les effets topologiques standardisés par les covariables, même lorsque les lois interventionnelles complètes ne sont pas identifiées, à condition que la représentation soit non- injective et que les lois distinctes appartiennent à la même fibre.
• Découverte Causale : Le document clarifie les limites de la topologie dans la découverte causale. Bien que les résumés topologiques puissent distinguer des classes de modèles restreintes (par exemple, séparer un mécanisme circulaire latent des dépendances fonctionnelles basées sur la topologie du support), ils ne peuvent pas, par eux-mêmes, orienter les arêtes causales ou identifier les interventions sans hypothèses supplémentaires (par exemple, l'ordre temporel, le bruit indépendant).

Contributions Clés

1. Architecture Unifiée : Une séparation formelle de l'observation, des modèles causaux, des représentations topologiques et des requêtes, évitant la confusion entre les questions scientifiques concernant les interventions, l'identification et la pertinence des caractéristiques.
2. Formulation dans l'Espace de Banach : Un traitement rigoureux de la TCDA au niveau du résultat pour les résumés à valeurs dans un espace de Banach, incluant l'identification, l'estimation doublement robuste et les conditions pour l'intégrabilité de Bochner.
3. Caractérisation de la Non-Commutation : Une caractérisation théorique des cas où les effets au niveau du résultat et au niveau de la distribution concordent, prouvant que les transformations topologiques non-affines mènent généralement à des cibles causales distinctes.
4. Transfert de Stabilité : Dérivation de bornes de stabilité pour les contrastes causaux basées sur les constantes de Lipschitz des représentations topologiques, reliant spécifiquement les erreurs $W_2$ dans l'estimation des lois aux erreurs des effets causaux basés sur la DTM.
5. Clarification des Limites de Découverte : Une formalisation de la manière dont la topologie observationnelle peut aider à la découverte causale (via la séparation des classes de modèles) et des déclarations explicites sur son incapacité à remplacer les hypothèses causales pour l'identification de la structure.

Résultats et Signification

Le document ne propose pas de nouveaux algorithmes d'estimation pour des jeux de données spécifiques, mais fournit l'infrastructure mathématique pour justifier et analyser les méthodes existantes et futures.

• Signification : Le cadre précise que la topologie ne définit pas les interventions ; elle fournit des résumés stables et sensibles à la forme après que les hypothèses causales ont été spécifiées. Il souligne que l'ordre des opérations (transformation topologique vs agrégation de la population) définit la cible causale.
• Implication Pratique : Les chercheurs doivent choisir explicitement si leur question scientifique concerne le changement moyen des formes individuelles (niveau du résultat) ou le changement de la géométrie de la distribution de la population (niveau de la distribution), car ce sont des cibles distinctes qui peuvent mener à des conclusions différentes.
• Robustesse : Le cadre montre que si l'ignorabilité topologique peut permettre l'identification d'effets grossiers sous des hypothèses plus faibles, elle ne fournit pas de robustesse générique face aux facteurs de confusion cachés pour les effets marginaux ou l'identification complète des lois.

En conclusion, la TCDA place l'analyse de données topologiques dans la séquence standard de l'inférence causale (définition de la cible $\to$ hypothèses $\to$ identification $\to$ estimation), garantissant que les résumés topologiques sont interprétés avec la rigueur causale appropriée.