Inférence causale par prédiction invariante : Identification et intervalles de confiance

Résumé Quelle est la différence entre une prédiction faite avec un modèle causal et une prédiction faite avec un modèle non causal ? Supposons que nous intervenions sur les variables prédictives ou que nous modifiions l'ensemble de l'environnement. Les prédictions d'un modèle causal fonctionneront en général aussi bien sous interventions que pour des données d'observation. En revanche, les prédictions d'un modèle non causal peuvent potentiellement être très erronées si nous intervenons activement sur des variables. Ici, nous proposons d'exploiter cette invariance d'une prédiction sous un modèle causal pour l'inférence causale : étant donné différents paramètres expérimentaux (par exemple, diverses interventions), nous collectons tous les modèles montrant une invariance dans leur précision prédictive à travers les paramètres et les interventions. Le modèle causal sera très probablement un membre de cet ensemble de modèles. Cette approche fournit des intervalles de confiance valides pour les relations causales dans des scénarios assez généraux. Nous examinons l'exemple des modèles d'équations structurelles plus en détail et fournissons des hypothèses suffisantes sous lesquelles l'ensemble des prédicteurs causaux devient identifiable. Nous étudions également les propriétés de robustesse de notre approche sous spécification incorrecte du modèle et discutons des extensions possibles. Les propriétés empiriques sont étudiées pour divers ensembles de données, y compris des expériences de perturbation génique à grande échelle.