Ecological Inference Is Structured Empirical Risk Minimization: Generalization Across Space, Nested Units, and Niche Support

Résumé technique : L'inférence écologique est une minimisation du risque empirique structuré

Énoncé du problème
Les modèles géographiques en macroécologie et en modélisation de la distribution des espèces (SDM) présentent fréquemment un paradoxe : ils parviennent à obtenir des ajustements in-sample robustes aux gradients géographiques lissés (ex. : latitude, température), mais échouent à se généraliser aux sites mis en réserve, aux changements d'aire de répartition ou aux transferts régionaux. L'article soutient que cet échec n'est pas dû à une pathologie du modèle ou à un manque de corrélats, mais plutôt à un décalage d'estimand. Plus précisément, les chercheurs optimisent souvent pour l'interpolation intra-populationnelle (prédire de nouveaux individus à des sites connus) tout en prétendant résoudre le transfert inter-sites (prédire les moyennes de population à de nouvelles coordonnées). La validation croisée (CV) $k$-fold classique au niveau individuel certifie le premier cas, conduisant à des estimations de précision gonflées et à la sélection de corrélats proxys fallacieux au détriment des moteurs structurels écologiques lorsque l'objectif est la généralisation.

Méthodologie et cadre théorique
L'article recadre l'inférence écologique comme une Minimisation du Risque Empirique (ERM) Structurée sur des données imbriquées. Il établit une correspondance formelle entre les concepts écologiques et l'apprentissage automatique structuré (spécifiquement la généralisation de domaine et la CV groupée).

1. Correspondance formelle : Les auteurs cartographient les unités écologiques sur des structures d'apprentissage automatique :

   • Population/Groupe : Les sites ou populations sont traités comme des groupes, et non comme des points de données indépendants.
   • Données imbriquées : Les individus ($i$) sont imbriqués dans les sites ($p$), modélisés par $y_{ip} = \mu(x_p) + u_p + \epsilon_{ip}$.
   • Confusion : Les gradients géographiques (ex. : latitude) sont traités comme des perturbateurs structurés ou des « caractéristiques de raccourci » (shortcut features) plutôt que comme des covariables innocentes.
   • Support de la niche : L'enveloppe de la niche grinnellienne est définie comme le support d'entraînement ($supp(P_x)$), tandis que le contexte de la niche réalisée (interactions biotiques) est traité comme un contexte caché pouvant induire des décalages de labels (label shifts).

2. Définitions des estimands : Le papier définit trois cibles distinctes pour la prédiction :

   • E1 (Intra-site) : Prédire de nouveaux individus au sein de populations connues.
   • E2 (Inter-sites) : Prédire de nouvelles moyennes de population à de nouvelles coordonnées (l'affirmation standard pour les clines et les SDM).
   • E3 (Inter-environnements) : Extrapolation vers de nouvelles régions de l'espace de la niche (Hors-Distribution / Out-of-Distribution).

3. Stratégie de validation : Les auteurs préconisent la validation croisée de type Leave-One-Population-Out (LOPO) ou par blocs spatiaux comme l'estimateur correct pour les affirmations E2, contrastant avec la CV $k$-fold individuelle qui crée une fuite d'identité de site.

4. Validation empirique :

   • Simulation semi-synthétique : 500 réplicats de $n=95$ populations ont été générés où l'écologie dictait le trait, mais la latitude servait de proxy corrélé.
   • Réanalyse de données publiées : Une réanalyse d'une cline de coléoptères publiée (Stator limbatus, $n=93$) a été menée pour tester la séparation qualitative entre la dominance du proxy in-sample et la performance du modèle structurel en holdout.

Contributions théoriques clés
Le papier présente une série de théorèmes et de propositions définissant les modes de défaillance liés à l'ignorance de la géométrie de l'échantillonnage structuré :

• Théorème 2 (Décalage Estimand–CV) : Prouve que lorsque la cible est E2 (moyennes de population), le risque attendu de la CV $k$-fold individuelle ($\hat{R}_{kfold}$) n'est pas égal au risque de la LOPO ($\hat{R}_{LOPO}$). La CV individuelle inclut la variance du bruit intra-populationnel ($\text{Var}(\epsilon_{ip})$) dans son estimation du risque, ce qui est non pertinent pour prédire de nouvelles moyennes de sites, entraînant un décalage dans les cibles d'optimisation.
• Théorème 5 (Renversement de rang des proxys) : Démontre que sous des gradients confondus, les métriques in-sample (ex. : $|r|$, AIC) peuvent classer un proxy non suffisant (ex. : la latitude) plus haut qu'un modèle structurel véritable. Cependant, le classement LOPO inverse cet ordre, identifiant correctement le modèle structurel comme étant supérieur pour le transfert.
• Propositions 6–8 : Étendent le cadre pour définir les limites de l'aire de répartition comme des frontières de support (Prop 6), le contexte de la niche réalisée comme un décalage de label caché (Prop 7), et les clines de terrain comme des labels composites de composantes génétiques et plastiques (Prop 8).
• Théorèmes 9–10 (Certification mécaniste) : Établissent que la généralisation observationnelle (E2) est insuffisante pour les affirmations mécanistes. Certifier un mécanisme nécessite à la fois un holdout structuré (E2) et une interaction requise sous manipulation (ex. : interaction $z \times e$).

Résultats

• Simulation : Dans 500 réplicats semi-synthétiques, la latitude (le proxy) présentait la corrélation in-sample la plus forte ($|r|$) dans 100 % des cas. Cependant, le modèle écologique multivarié a minimisé la RMSE LOPO dans 84 % des cas. Par conséquent, le classement in-sample et le classement LOPO divergeaient dans 84 % des réplicats.
• Cline de coléoptère (Stator limbatus) :
  • In-sample : La latitude présentait la corrélation la plus élevée ($|r| = 0,416$).
  • Holdout (LOPO) : Le modèle écologique multivarié a obtenu la RMSE la plus faible (0,104), surpassant la température (0,112) et la latitude (0,106).
  • Erreur de CV : L'utilisation de la CV 10-fold individuelle a gonflé la RMSE du modèle écologique d'environ 45 % (0,150 contre 0,104), démontrant visuellement l'erreur d'estimand.
  • Vérification du mécanisme : Une expérience de sélection appariée a rejeté le terme d'interaction nécessaire ($p=0,017$), illustrant que la généralisation observationnelle et la certification mécaniste ont échoué selon des critères différents, comme le prédisait le Théorème 10.

Signification et affirmations
L'article affirme fournir un compte rendu unifié de ERM Structuré qui lie les clines, les SDM, le biais de plasticité et les tests d'interaction sous un cadre géométrique unique. Sa contribution primaire est de fournir un « vocabulaire et une valeur par défaut » pour les praticiens :

1. Estimands explicites : Les chercheurs doivent nommer leur cible (E1, E2 ou E3) avant d'interpréter l'ajustement du modèle.
2. Validation correcte : Les affirmations concernant de nouveaux sites (E2) nécessitent un holdout au niveau de la population (LOPO ou CV par blocs spatiaux), et non une CV $k$-fold individuelle.
3. Résolution du paradoxe : L'échec systématique du transfert des modèles n'est pas un défaut de la théorie écologique, mais le résultat d'une optimisation du mauvais fonctionnel (interpolation intra-site) pour la mauvaise question (transfert inter-sites).

Les auteurs positionnent ce travail comme le pendant spatial d'un preprint compagnon sur la sélection naturelle en tant qu'ERM à travers les générations, arguant que les inventaires géographiques sont intrinsèquement des problèmes de généralisation de domaine groupés. Le papier ne prétend pas résoudre la découverte causale ou l'éthique de la conservation, mais vise à corriger la géométrie prédictive de l'inférence écologique pour empêcher les corrélats proxys de supplanter les modèles structurels.