📊 statistiques

Is Using Shapley Value Good for Covariate Selection in Panel Models?

Cet article propose et valide une méthode de la valeur de Shapley à effets fixes pour la sélection de covariables dans les modèles de panel, démontrant, par des simulations et des applications empiriques, qu'elle offre une alternative transparente, efficace sur le plan computationnel et parcimonieuse aux approches existantes, tout en récupérant avec précision les ensembles actifs réels et en améliorant la performance du modèle.

Auteurs originaux : Htwe Ko, Pathairat Pastpipatkul

Publié 2026-10-14

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Htwe Ko, Pathairat Pastpipatkul

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Dans le monde de l'économie, les chercheurs sont souvent confrontés à un casse-tête qui semble simple mais qui est profondément complexe : comment déterminer quels facteurs déterminent réellement un résultat spécifique, comme la croissance du revenu d'une nation. Imaginez un scientifique examinant un tableur massif contenant des données sur des dizaines de pays sur de nombreuses années. Il dispose d'une liste de causes potentielles — des choses comme les dépenses d'éducation, l'investissement étranger, les taux d'inflation et la croissance démographique. Le problème est qu'il y a trop de candidats pour les tester tous à la fois sans créer de confusion, et la théorie économique ne pointe que rarement une liste d'ingrédients unique et parfaite. Pendant des décennies, les statisticiens ont tenté de résoudre ce problème en utilisant diverses simplifications mathématiques pour filtrer le bruit, mais ces méthodes laissent souvent les chercheurs dans l'incertitude quant à savoir quelles variables font réellement le plus gros du travail et lesquelles ne sont là que par hasard. Le défi fondamental n'est pas seulement de trouver un modèle qui s'ajuste bien aux données, mais de comprendre exactement quelle part de crédit chaque facteur individuel mérite pour cet ajustement, surtout lorsque ces facteurs sont entremêlés de manières complexes.

Une équipe de chercheurs de l'Université de Chiang Mai a proposé une nouvelle façon de s'attaquer à ce problème, en empruntant un concept à la théorie des jeux pour apporter de la clarté au chaos des données économiques. Au lieu de traiter la sélection des variables comme un jeu de devinettes statistiques, ils l'ont formulée comme un jeu coopératif où chaque facteur potentiel est un joueur. Dans ce jeu, l'objectif est de mesurer la contribution de chaque joueur au succès de l'équipe, qui est, dans ce cas, la capacité du modèle à expliquer les variations du revenu national. Les chercheurs ont utilisé un outil mathématique appelé la valeur de Shapley, une méthode conçue à l'origine pour répartir équitablement les gains entre les joueurs d'un jeu coopératif. En appliquant cette logique aux données économiques, ils ont pu calculer la contribution moyenne exacte de chaque variable, en tenant compte de toutes les combinaisons possibles de facteurs. Cette approche traite les effets fixes des données — les traits uniques et immuables de chaque pays et de chaque année — comme un arrière-plan constant, permettant aux chercheurs de se concentrer purement sur la manière dont les variables changeantes interagissent pour expliquer le résultat.

Les chercheurs ont testé leur nouvelle méthode, qu'ils appellent sélection de covariables par la valeur de Shapley à effets fixes, en utilisant une série de simulations informatiques. Ils ont créé des milliers de faux ensembles de données économiques où ils connaissaient la réponse exacte à l'avance : ils savaient exactement quelles variables étaient de vrais moteurs et lesquelles n'étaient que du bruit aléatoire. Dans ces tests, la méthode s'est révélée remarquablement efficace. À mesure que la quantité de données augmentait, la méthode devenait presque parfaite pour identifier les véritables moteurs et ignorer le bruit. Elle a réussi à séparer le signal du statique, récupérant le bon ensemble de variables dans presque tous les cas lorsque la taille de l'échantillon était suffisante. Les simulations ont montré que, tandis que certaines méthodes plus anciennes continueraient d'inclure des variables non pertinentes simplement parce qu'elles semblaient bonnes dans une combinaison spécifique, cette nouvelle approche attribuait systématiquement une valeur nulle ou négative aux facteurs inutiles, les filtrant ainsi efficacement.

Pour voir si cela fonctionnait dans le monde réel, l'équipe a appliqué sa méthode à des données économiques réelles provenant de quarante-cinq pays, divisés en groupes de vingt pays développés et vingt-cinq pays en développement, couvrant les années 2000 à 2023. Ils ont commencé avec un modèle complet contenant dix indicateurs économiques différents, tels que la dette publique, l'ouverture commerciale et les taux de change. Lorsqu'ils ont exécuté l'analyse de la valeur de Shapley, les résultats ont révélé une hiérarchie claire de l'importance qui différait selon le type de pays. Pour les pays développés, l'ouverture commerciale et l'investissement direct étranger sont apparus comme les moteurs les plus puissants, tandis que pour les pays en développement, l'investissement étranger et la croissance démographique ont pris la tête. La méthode a également mis en évidence des variables qui, bien qu'apparaissant significatives dans les tests statistiques traditionnels, contribuaient en réalité très peu à l'explication globale de la croissance. Dans certains cas, elle a même attribué une valeur négative à certains facteurs, indiquant que leur inclusion rendait le modèle moins bon en ajoutant une complexité inutile sans apporter de véritable pouvoir explicatif.

Les modèles finaux produits par cette méthode étaient beaucoup plus simples et plus concentrés que les versions originales englobant tout. Dans le groupe des pays développés, la méthode a sélectionné sept variables clés ; dans le groupe des pays en développement, elle a réduit la liste à seulement trois ; et pour le groupe combiné, elle en a choisi quatre. Ces modèles rationalisés performaient aussi bien que les modèles complets pour expliquer les données, mais avec une structure beaucoup plus propre. Lorsque les chercheurs ont comparé leurs résultats à d'autres techniques statistiques avancées, ils ont constaté un fort accord sur les variables les plus importantes, mais la nouvelle méthode offrait un avantage distinct : elle fournissait une liste unique et définitive des meilleures variables plutôt qu'un ensemble déroutant de probabilités. Cela signifie qu'un chercheur peut désormais regarder les données et affirmer avec confiance quels facteurs tirent la croissance, sans avoir à deviner quelles variables conserver ou écarter. L'étude conclut que cette approche issue de la théorie des jeux offre une manière transparente, équitable et efficace sur le plan computationnel de résoudre l'un des plus vieux problèmes de l'économie, transformant une liste désordonnée de possibilités en un récit clair et fondé sur des preuves de ce qui importe réellement.

Résumé Technique : Sélection de Covariables par la Valeur de Shapley à Effets Fixes dans les Modèles de Panel

Énoncé du Problème
L'article traite du défi persistant de la sélection des covariables dans les modèles de données de panel, particulièrement dans les contextes macroéconomiques où les chercheurs sont confrontés à un « menu » de déterminants plausibles qui dépasse souvent le nombre d'observations ou la capacité d'estimation fiable. Les approches traditionnelles, telles que la régression par étapes (stepwise), la pénalisation de type Lasso, ou la recherche par critères d'information sur l'ensemble des $2^p$ sous-ensembles, présentent des limites : elles deviennent informatiquement inflexibles lorsque le nombre de covariables ( $p$ ) dépasse environ vingt, leurs conclusions sont sensibles au critère choisi, et elles ne parviennent pas à fournir une décomposition exacte du pouvoir explicatif d'un modèle en contributions individuelles des régresseurs. De plus, les méthodes existantes confondent souvent la sélection avec la contraction (shrinkage) ou manquent d'un mécanisme transparent pour attribuer la « valeur » du modèle à des variables spécifiques tout en tenant compte des effets fixes.

Méthodologie : Valeur de Shapley à Effets Fixes (FESV)
Les auteurs proposent la méthode de la Valeur de Shapley à Effets Fixes (FESV), qui cadre la sélection des covariables comme un problème de théorie des jeux coopératifs.

Formulation du Jeu :
- Joueurs : Chaque covariable candidate est traitée comme un joueur dans un jeu à utilité transférable.
- Non-Joueurs : Les effets fixes d'unité ( $\alpha_i$ ) et de temps ( $\gamma_t$ ) sont traités comme des composantes structurelles toujours présentes ; ils sont neutralisés via la transformation intra-groupe (within-transformation) avant l'évaluation des coalitions et ne sont jamais sélectionnés.
- Fonction Caractéristique ( $v$ ) : La valeur d'une coalition (sous-ensemble de covariables $S$ ) est définie comme le $R^2$ ajusté de la régression intra-groupe utilisant uniquement les variables de $S$ . Cette fonction est nette des effets fixes et pénalisée par les degrés de liberté.
- Fonctions Alternatives : L'étude considère également le $R^2$ non ajusté et le BIC négatif comme fonctions caractéristiques pour tester la robustesse.
Calcul de la Valeur de Shapley :
- La valeur de Shapley ( $\phi_i$ ) pour chaque covariable est calculée comme la moyenne pondérée de sa contribution marginale à travers toutes les coalitions possibles ( $2^p$ sous-ensembles).
- Propriétés : La méthode tire parti des propriétés axiomatiques de la valeur de Shapley : l'efficacité (la somme des valeurs est égale à la variation totale expliquée), la symétrie, l'additivité et la propriété du joueur nul (les variables non pertinentes reçoivent une valeur nulle ou négative).
- Calcul : Le vecteur de Shapley exact est calculé par énumération de toutes les $2^p$ coalitions, en ajustant la régression intra-groupe pour chacune, et en appliquant des poids combinatoires.
Règles de Sélection :
- Règle A (Signe Positif) : Sélectionne toutes les covariables ayant une valeur de Shapley positive ( $\phi_i > 0$ ). Cela sert de diagnostic mais tend à la sur-sélection dans les échantillons finis en raison du bruit d'échantillonnage.
- Règle B (Imbrication Pénalisée) : Ordonne les covariables par valeur de Shapley décroissante et sélectionne la coalition de rang $k$ qui maximise un objectif pénalisé : $J(k) = v(M_k) - \gamma k$ , où $\gamma$ est une pénalité définie par l'utilisateur (ex: 0,01). Cette règle contrôle efficacement les faux positifs en facturant un coût pour l'ajout de variables qui n'améliorent pas suffisamment l'ajustement ajusté.

Contributions Clés

Décomposition Exacte : Contrairement aux méthodes par étapes ou pénalisées, la FESV fournit une décomposition non résiduelle exacte du $R^2$ ajusté du modèle complet en contributions par covariable.
Séparation de la Sélection et de l'Estimation : La méthode effectue la sélection sans contraction. Une fois le sous-ensemble optimal identifié via le jeu de Shapley, une régression MCO standard sur les données transformées est utilisée pour l'estimation finale, préservant ainsi l'interprétabilité des coefficients.
Gestion des Effets Fixes : L'approche traite explicitement les effets fixes comme des non-joueurs, garantissant que la sélection est robuste à la spécification des effets d'unité et de temps.
Cohérence Théorique : L'article établit que sous des hypothèses de régularité standard, les valeurs de Shapley estimées convergent vers les valeurs de la population, et que la Règle B récupère de manière cohérente l'ensemble actif réel lorsque $N \times T \to \infty$ .

Résultats Empiriques et de Simulation

Simulations de Monte Carlo :
- Des simulations sur cinq tailles d'échantillons ( $N \times T$ allant de 50 à 4000) avec 6 covariables (3 actives, 3 de bruit) démontrent que la Règle B récupère l'ensemble actif réel avec une précision et un rappel quasi parfaits (score F1 $\approx$ 1,0) à des tailles d'échantillon modérées ( $N \times T \geq 450$ ).
- La Règle A maintient un rappel élevé mais souffre d'un taux de faux positifs persistant (précision $\approx$ 0,79) car le bruit d'échantillonnage attribue occasionnellement de petites valeurs positives aux covariables de bruit.
- Les simulations confirment que la fonction caractéristique pénalisée (le $R^2$ ajusté) attribue des valeurs négatives aux covariables de bruit en moyenne, permettant une sélection efficace.
Application Empirique (Régressions de Croissance) :
- Appliquée à des données de panel de 45 pays (20 développés, 25 en développement) de 2000 à 2023 pour expliquer la croissance du PIB.
- Résultats : La méthode FESV a sélectionné des modèles parsimonieux (3 à 7 variables) par rapport à la spécification complète de 10 variables.
  - Pays développés : Ont sélectionné l'ouverture commerciale, les IDE, la croissance démographique, l'inflation, l'éducation, le chômage et l'efficacité du gouvernement.
  - Pays en développement : Ont sélectionné les IDE, le taux de change et la croissance démographique.
  - Panel groupé : Ont sélectionné les IDE, la croissance démographique, l'ouverture commerciale et la dette.
- Performance : Les modèles sélectionnés ont obtenu des scores BIC inférieurs aux modèles complets tout en conservant les déterminants principaux. Le $R^2$ ajusté n'a diminué que de manière marginale.
- Comparaison : Les classements FESV s'alignaient étroitement avec les modèles de sélection de variables de panel bayésiens (BPVS) concernant les variables les mieux classées (ex: les IDE et la croissance démographique étaient systématiquement les prédicteurs de premier rang). Cependant, la FESV produisait des modèles plus parsimonieux, tandis que le BPVS conservait toutes les variables en raison de probabilités d'inclusion postérieures élevées.

Signification et Revendications
L'article affirme que la FESV offre un outil de sélection de covariables pour les modèles de panel qui est transparent, informatiquement efficace et théoriquement fondé. Sa principale importance réside dans :

Transparence : Elle transforme la « boîte noire » de la sélection de variables en une attribution auditable du pouvoir explicatif, où la contribution de chaque variable est explicitement calculée et s'additionne exactement à l'ajustement total du modèle.
Parsimonie sans Contraction : Elle atteint la parcimonie du modèle par une pénalité de théorie des jeux sur les degrés de liberté plutôt que par une contraction des coefficients, permettant une inférence post-sélection standard.
Robustesse : La méthode est démontrée comme étant cohérente avec les approches bayésiennes pour identifier les moteurs clés, tout en étant supérieure pour produire une spécification unique, défendable et parsimonieuse.

Limites Reconnues
Les auteurs notent que l'énumération exacte des $2^p$ coalitions limite la méthode à un nombre modéré de covariables (bien que des approximations par échantillonnage existent). Le cadre actuel est limité aux modèles linéaires avec des résultats continus, et l'article ne fournit pas de théorie formelle pour l'inférence post-sélection (ex: intervalles de confiance valides après la sélection), renvoyant la littérature existante sur la sélection pénalisée vers des recherches futures.

Résumé Technique : Sélection de Covariables par la Valeur de Shapley à Effets Fixes dans les Modèles de Panel

Articles similaires