Des représentations d’IA dans l’analyse causale

OOndine

Les auteurs d’une étude déposée sur arXiv examinent quand des représentations apprises par l’intelligence artificielle peuvent servir de variables de contrôle en analyse causale. Un modèle peut transformer des textes ou des images en représentations utilisables dans une analyse. Les chercheurs étudient ce qui se passe quand ces représentations servent à contrôler des différences entre situations, pour estimer un effet de cause à effet. Le risque, c’est qu’une représentation imparfaite déforme le paramètre causal étudié. Pour une large classe de paramètres, cette déformation dépend du produit de 2 erreurs : l’une dans la régression du résultat, l’autre dans le poids d’équilibrage, aussi appelé représentateur de Riesz. On peut l’imaginer comme une balance réglée avec 2 outils imprécis : l’effet combiné dépend de ces deux erreurs. Pour traiter cette difficulté, les auteurs étudient le double machine learning avec validation croisée. Cette approche utilise cette méthode de validation pour obtenir une inférence statistique valide sur le paramètre associé à la représentation. Les auteurs montrent que cette approche permet une inférence de Wald valide pour le paramètre correspondant à la représentation utilisée. En pratique, cela permet de construire un intervalle statistique pour ce paramètre. Quand les erreurs de représentation sont faibles, le même intervalle couvre aussi le paramètre causal. Dans ces conditions, la méthode peut même atteindre la borne d’efficacité semi-paramétrique, c’est-à-dire une limite théorique de précision pour l’estimation. L’étude s’intéresse donc à la fois à ce que permet la méthode et à ce qui peut déformer le résultat. La précaution essentielle est que l’inférence valide concerne d’abord le paramètre lié à la représentation. Pour tirer une conclusion sur le paramètre causal, les erreurs de représentation doivent être faibles. Cette étude propose un cadre pour l’analyse, mais ne garantit pas que toute représentation apprise par l’intelligence artificielle donne une estimation causale fiable.