Testing the limits of past-adapted explanations by post-endpoint randomisation: anticipatory EEG as a worked case

Résumé Technique : Tester les limites des explications adaptées au passé par la randomisation post-point de terminaison

Énoncé du Problème
En neurosciences anticipatrices, particulièrement concernant les signaux EEG tels que la Variation Négative Contingente (VNC), les chercheurs expliquent généralement l'activité cérébrale pré-événement par des informations « adaptées au passé » : temps écoulé, probabilité de l'indice, risque conditionnel, éveil (arousal) et historique des essais disponibles avant que l'événement ne se produise. Bien que les modèles prédictifs puissent ajuster les données en utilisant ces facteurs, un « ajustement » (fit) n'établit pas la « suffisance ». Le problème central est de distinguer si ces facteurs adaptés au passé épuisent la variation systématique d'un point de terminaison engagé, ou s'il reste une variation systématique inexpliquée qui pourrait être ordonnée par une information non encore disponible au moment de la mesure. Les mesures standards de qualité d'ajustement ne peuvent résoudre cela ; elles laissent ouverte la possibilité que le passé explique les données par simple hasard ou surajustement (overfitting), sans pour autant prouver qu'aucune information dépendante du futur n'est requise.

Méthodologie : Inférence basée sur le design de Niveau II-A
Le document introduit l'Inférence de Niveau II-A, un cadre d'inférence basé sur le design qui teste la distinction entre l'ajustement et la suffisance par la randomisation post-point de terminaison. La méthodologie repose sur une frontière temporelle stricte et une série de conditions opérationnelles et statistiques :

1. Engagement du Point de Terminaison : Un point de terminaison à essai unique (par exemple, une amplitude de type VNC) est calculé et « verrouillé » à l'instant $t_1$ en utilisant uniquement les informations disponibles jusqu'à ce moment ($F_{t_1}$). Cela inclut l'utilisation d'un comparateur « uniquement vers l'avant » (un prédicteur aveugle aux étiquettes) pour supprimer la structure anticipatoire enregistrée, laissant un « résidu gelé ».
2. Randomisation Post-Engagement : Ce n'est qu'après que le point de terminaison est fixé que le système assigne un délai ($\tau_L$) à l'événement impératif. Ce délai est tiré d'une loi de randomisation déclarée basée sur des strates de pré-assignation, mais il est strictement dissimulé de la construction du point de terminaison et de l'ajustement du comparateur.
3. L'Hypothèse Nulle : Sous la « factorisation adaptée au passé », le délai assigné (une étiquette future) doit être statistiquement indépendant du point de terminaison déjà engagé ou du résidu gelé. Formellement, $P(\tau_L \in D | F_{t_1}) = P_{sch}(D | R_j)$. Si la classe adaptée au passé est suffisante, le délai assigné ne peut pas ordonner systématiquement le point de terminaison.
4. Conditions de Validité : Le cadre exige :
   • (R1) Planificateur Opérationnel : Le délai est généré et dissimulé après l'engagement.
   • (R2) Intégrité Temporelle : Aucune donnée post-$t_1$ (par exemple, filtrage à phase nulle) ne doit fuiter dans le point de terminaison ou le comparateur.
   • (R3) Intégrité de l'Échantillon Conservé : Les processus de sélection (livraison, rejet d'artefacts, inclusion) ne doivent pas induire une dépendance entre le délai et le point de terminaison (neutralité vis-à-vis du délai).
5. Architecture de Décision : Le classificateur est non compensatoire et suit une hiérarchie stricte :
   • Audits : Vérifications de la fuite temporelle, de la conformité de la livraison et de l'intégrité du planificateur.
   • Qualifications : Vérifications du biais de sélection (diagnostics de collision), de l'estimabilité du participant et de la validité de la route (isolement de l'assignation vs e-valeur séquentielle).
   • Inférence : Test d'une pente négative matérielle ($\beta_\tau < 0$) en utilisant un étalonnage spécifique à la route (tests de randomisation ou e-valeurs de martingale) et un seuil de magnitude ($\beta_{min}$) dérivé d'un plancher de résolution aveugle aux étiquettes.
   • Résultats : Le système classifie les résultats en : Départ Négatif Supporté (preuve d'insuffisance), Adéquation Uniquement Vers l'Avant (nullité affirmative), Échec Diagnostique, Limité par la Sélection, Direction Opposée, ou Inconcluant.

Contributions Clés

• Cadre de Niveau II-A : Une nouvelle structure inférentielle qui transforme l'hypothèse « le passé l'explique » en une affirmation testable et qualifiée par la magnitude. Elle déplace la charge de la preuve de « montrer un ajustement » vers « exclure l'ordonnancement dépendant du futur ».
• Sonde de Randomisation Post-Point de Terminaison : L'utilisation d'un délai assigné après la mesure comme contrôle négatif. Cela crée un « test de frontière » où tout ordonnancement systématique par le délai implique un échec de la classe adaptée au passé.
• Nullité Affirmative Qualifiée par la Magnitude : Le document définit un résultat de type « adéquation uniquement vers l'avant » non pas comme une simple non-rejet, mais comme une conclusion bornée. Il nécessite que le pipeline d'analyse soit sensible pour détecter une magnitude spécifique d'effet (déterminée par des taux de fausse adéquation calibrés par simulation) et n'en trouve aucune.
• Étalonnage Synthétique : Les auteurs fournissent un pipeline de benchmarking complet et open-source (benchmark de randomisation post-point de terminaison de niveau II-A) avec 1200 jeux de données simulés par scénario. Cela valide la capacité du pipeline à contrôler le faux support, à récupérer les signaux injectés et à identifier correctement les échecs opérationnels (fuites, biais de sélection, effets de collision).

Résultats
Le document présente des résultats exclusivement issus de données synthétiques ; aucune donnée EEG humaine n'est analysée. Le benchmark synthétique valide le pipeline contre sept familles de scénarios :

• Nullité Propre (Clean Null) : Sous un générateur pur uniquement vers l'avant, le pipeline a produit 0/1200 résultats supportés (taux de faux support = 0,000). Il a classifié 89,4 % des cas comme « Adéquation Uniquement Vers l'Avant » et 9,8 % comme « Inconcluants » (dus aux limites de résolution), démontrant un contrôle strict des faux positifs tout en reconnaissant les coûts d'information.
• Signal Injecté : Lorsqu'une pente négative matérielle ($-60 \mu V s^{-1}$) a été injectée, le pipeline l'a supportée dans 99,1 % des cas avec 0 % de résultats de fausse adéquation.
• Modes de Défaillance :
  • Fuite Temporelle : 100 % des jeux de données présentant une fuite post-point de terminaison ont été correctement classés comme « Échec Diagnostique ».
  • Biais de Sélection : Les scénarios avec un biais de sélection standard ou induit par un collisionneur ont été correctement orientés vers des résultats « Limités par la Sélection » (99,7 % et 99,9 % respectivement), empêchant ainsi le faux support.
  • Direction Opposée : Les injections positives ont été correctement classées comme « Départs de Direction Opposée » (99,3 %), les empêchant d'être interprétées comme un support pour l'hypothèse négative.
• Frontières de Résolution : Le benchmark a établi les frontières de fausse adéquation pour la nullité affirmative : 15 $\mu V s^{-1}$ pour la route d'isolement de l'assignation et 30 $\mu V s^{-1}$ pour la route de l'e-valeur séquentielle. En dessous de ces magnitudes, le pipeline ne peut pas distinguer de manière fiable une nullité propre d'un petit départ systématique.

Signification et Revendications
Le document revendique la fourniture d'une frontière méthodologique plutôt qu'une découverte biologique. Sa signification réside dans :

1. Exclusion Rigoureuse : Il offre un moyen de tester si une classe de modèles adaptés au passé est suffisante pour expliquer un point de terminaison engagé, allant au-delà du simple ajustement de modèle.
2. Neutralité Mécaniste : Un « Départ Négatif Supporté » indique que la classe adaptée au passé est insuffisante, mais n'identifie pas le mécanisme (par exemple, il ne prouve pas la « précognition » ou un substrat physique spécifique). Il établit simplement que les facteurs déclarés adaptés au passé n'épuisent pas la variation.
3. Nullités Calibrées : Il fournit un cadre pour l'« évidence d'absence » qui est calibré par la sensibilité du pipeline (taux de fausse adéquation), transformant l'« absence de preuve » en une « conclusion affirmative bornée ».
4. Généralisabilité : Bien qu'illustré par l'EEG anticipatoire, les auteurs déclarent que le design est généralisable au domaine, applicable à tout scénario où une statistique est irrévocablement engagée avant qu'une étiquette exogène ne soit générée (par exemple, prévisions, essais cliniques, systèmes de décision algorithmique).

Les auteurs déclarent explicitement qu'aucune décision empirique n'est prise dans ce document ; leur travail fixe la règle par laquelle de telles décisions pourraient être prises et démontre, via des données synthétiques, que la règle se comporte comme déclaré. Le cadre nécessite une réplication indépendante (Niveau II-B) pour passer d'un rejet de classe à une théorie mécaniste substantielle.