Économétrie, causalité et politiques publiques

Ce dossier rassemble treize travaux qui ont en commun une question : comment attribuer un effet à une décision quand les données disponibles ne contiennent pas l'expérience qu'il aurait fallu mener. Certains papiers sont méthodologiques et portent sur l'identification, le design d'une collecte ou la taille d'un échantillon. D'autres appliquent ces outils à des objets concrets : une alerte dans un dossier médical électronique, un budget publicitaire modifié sans protocole, l'allocation d'une aide sociale, un contrat agricole, la répartition des gains de l'automatisation.

Ils se lisent ensemble parce qu'ils butent sur le même obstacle à des endroits différents. L'instrument n'existe pas toujours. La variation observée n'a pas été planifiée. La variable que l'on sait mesurer n'est pas celle qui compte pour la décision. La littérature publiée est elle-même filtrée par ce qui passe un seuil de significativité. Chaque travail choisit alors une hypothèse de remplacement, et le prix de cette hypothèse est explicite dans presque toutes les sources.

Le lecteur en retire moins une boîte à outils qu'une grille de lecture : quelle quantité est réellement estimée, sous quelle hypothèse, avec quelle incertitude, et ce que l'estimation ne dit pas. Plusieurs de ces papiers portent sur des politiques sociales. Les chiffres rapportés ci-dessous sont ceux des auteurs, dans leurs cadres et leurs échantillons, et ne constituent ni une évaluation ni une préconisation.

Identifier une relation endogène sans restriction d'exclusion

Un régresseur endogène se traite d'ordinaire avec un instrument exclu. Reste le cas où aucune variable ne satisfait cette restriction de façon crédible. Xunkang Tian et Nan Zhi proposent d'exploiter des changements de distribution à la place.

Les auteurs étudient un système triangulaire dont une équation structurelle dépend d'un régresseur potentiellement endogène. La dépendance entre perturbations reste flexible : elle passe par une fonction de contrôle inconnue et non paramétrique. Sans instrument valide, les paramètres structurels ne sont généralement pas identifiés ponctuellement. La méthode utilise une variable auxiliaire dont la distribution change selon des environnements ou des sous-populations. Ces shifts fournissent une variation locale qui renseigne sur la fonction de dépendance des erreurs. L'approche combine une approximation par séries, une estimation locale du rapport de densités et des inégalités de moments, en conservant les erreurs d'approximation dans les ensembles identifiés plutôt qu'en les masquant par une spécification paramétrique. L'inférence repose sur une inversion de tests fondés sur les moments et un bootstrap multiplicatif, les régresseurs générés étant traités par cross-fitting.

La contribution est méthodologique : une hypothèse d'exclusion difficile à défendre est remplacée par une hypothèse de pertinence locale des shifts observés. La crédibilité empirique se déplace donc vers la stabilité du système et la qualité de la variation distributionnelle.

Les résultats dépendent d'hypothèses de mean-independence, de rang, de moments finis et de pertinence locale. Une approximation par séries ne crée pas d'information quand les distributions sont trop proches. L'identification peut rester partielle et les ensembles sensibles au choix de la base, de la fenêtre locale et de la régularisation.

Le p-hacking aggrave-t-il toujours le biais de publication

Le p-hacking regroupe les choix qui augmentent la probabilité de publication : abandonner une analyse, modifier une spécification, recommencer une collecte. Cai, Pernoud et Xu séparent deux mécanismes sous cette étiquette unique. Les changements rapides de p-value, comme jeter une expérience non significative, et les changements lents, produits par une suite de petites décisions sur des données imparfaites.

Le biais de publication existe déjà dès lors que les travaux significatifs sont sélectionnés. La question posée est de savoir si le p-hacking ajoute toujours du biais, ou si certaines manipulations déplacent des résultats vers le seuil et réduisent une partie de la distorsion conditionnelle à la publication. Le modèle représente un effet latent, une erreur standard et une procédure de publication qui favorise certaines valeurs de p ; le chercheur choisit une action rapide ou lente selon son coût et le gain attendu. Les auteurs montrent que le p-hacking rapide aggrave toujours le biais dans leur cadre. Le p-hacking lent a un effet conditionnel : il aggrave le biais quand la sélection est faible, et peut le réduire quand elle est forte, parce qu'il retire des résultats insignifiants tout en plaçant certains résultats manipulés juste au seuil.

Sous une hypothèse de normalité, le modèle contenant les deux types permet d'identifier la distribution vraie des effets et la moyenne contrefactuelle sous publication sélective sans p-hacking. Une application à des méta-analyses sur les nudges comportementaux et l'aide au développement trouve des indices compatibles avec l'atténuation comme avec l'amplification.

Les résultats dépendent de la règle de publication, des coûts supposés et de l'hypothèse de normalité. Les applications empiriques sont décrites comme suggestives. Le modèle ne justifie aucune pratique de manipulation.

Taille d'échantillon bayésienne : choisir sans tout simuler

Une taille d'échantillon ne découle pas seulement d'une formule. Dans un modèle bayésien complexe, elle peut être choisie pour atteindre une puissance, une probabilité de couverture ou une largeur d'intervalle, et la recommandation varie d'une simulation à l'autre. Luke Hagar et Paul Gustafson étudient cette variabilité.

Deux stratégies sont opposées. La première estime des distributions d'échantillonnage de résumés postérieurs pour plusieurs tailles. La seconde explore l'espace des tailles par une recherche de racine stochastique de Robbins-Monro, sans estimer toute la distribution à chaque point. Les auteurs définissent la distribution Monte Carlo de la recommandation de taille et l'étudient en biais, variance et erreur quadratique moyenne. Dans l'étude de précision, la taille cible de référence est 221 par groupe pour obtenir un intervalle à 95 % de largeur au plus 4 avec une probabilité cible de 0,9. Les fonctions proxy linéaires sont rapportées comme robustes dans ce cadre, tandis qu'une variante continue de Robbins-Monro peut atteindre la plus petite erreur lorsque ses réglages sont bien choisis. La variante entière présente des problèmes de convergence.

Un nombre de sujets publié seul donne une fausse impression de précision. Une note méthodologique gagne à préciser le critère visé, le prior de conception, les réglages Monte Carlo et la variabilité de la recommandation entre répétitions. Explorer vite plutôt qu'estimer toute la distribution économise du calcul et rend les diagnostics de convergence plus importants.

Les résultats s'appuient sur des fonctions proxy et un exemple de régression conjuguée inspiré d'un essai clinique. Les auteurs signalent que la variante continue n'est pas directement applicable aux modèles complexes et que les deux stratégies ne sont pas idéales en petit échantillon.

Placer des capteurs selon le risque de la décision

Un capteur peut réduire fortement l'incertitude sur un paramètre sans améliorer la prédiction qui motive la décision. John D. Jakeman, Rebekah White, Bart van Bloemen Waanders, Drew P. Kouri et Alen Alexanderian proposent un design expérimental bayésien orienté vers la quantité d'intérêt, avec une préférence de risque explicite.

Le cadre compose trois niveaux : la déviation de l'incertitude prédictive, l'agrégation sur les composantes de la prédiction et l'agrégation sur les jeux de données possibles. Les préférences s'expriment par des fonctions de regret. Les poids de capteurs sont optimisés sur un simplexe continu avec un estimateur différentiable en quadrature imbriquée. Dans un problème d'advection-diffusion, le modèle place 50 capteurs candidats pour prédire la concentration auprès de 20 récepteurs. Les objectifs orientés vers la prédiction concentrent le poids sur quelques emplacements, mais les emplacements dominants changent selon la préférence de risque. Les auteurs rapportent que le design centré sur les paramètres est comparable à une allocation aléatoire quand il est évalué sur les objectifs de prédiction, et que les designs orientés vers la prédiction perdent leur avantage sur l'objectif de paramètres.

Choisir un emplacement n'est donc pas neutre. Moyenne, pire cas et risque de queue peuvent conduire à des plans différents avec le même modèle physique. Un cahier des charges doit préciser quelle erreur coûte avant de comparer des cartes de capteurs. La même logique vaut pour l'instrumentation logicielle : optimiser une métrique intermédiaire ne garantit pas la qualité de la décision finale.

Le dispositif encode les poids dans une matrice de bruit diagonale et suppose une vraisemblance gaussienne. Les auteurs signalent une mauvaise mise à l'échelle avec un bruit très élevé et plus d'environ 100 capteurs candidats. L'étude est une démonstration numérique, pas une validation de tous les systèmes physiques.

Réduire les erreurs de prescription par une information ciblée

Xiaodan Shao, Vivek Choudhary et Arnab Majumdar examinent si une alerte doit être obligatoire pour améliorer une décision médicale. Leur expérience de terrain porte sur un système de dossier médical électronique en Inde.

L'étude couvre environ 2,81 millions de prescriptions et près de 1 700 médecins. L'intervention affiche en temps réel une information sur les interactions médicamenteuses potentiellement problématiques, et reste facultative : le médecin peut la consulter ou poursuivre. Les auteurs utilisent une stratégie de différence-de-différences pour comparer l'évolution des erreurs chez les médecins exposés et dans le groupe de comparaison. Le résultat central est une baisse de 8,6 % des erreurs d'interaction médicamenteuse chez les médecins traités. Ils estiment que cette réduction correspondrait, à l'échelle annuelle, à environ 4,8 millions de dollars d'économies et à 134 vies potentiellement épargnées. L'analyse des mécanismes avance deux canaux : la correction immédiate quand l'alerte survient au moment de la prescription, et un apprentissage préventif lors de prescriptions ultérieures. L'article ne relève pas de dégradation mesurée de la productivité des médecins ni de la qualité des soins.

L'intérêt du cas tient à son réalisme : l'information est insérée dans le flux de travail et demeure facultative, ce qui rapproche l'évaluation d'un déploiement réel. Le canal d'apprentissage suggère des effets persistants au-delà des corrections immédiates.

La différence-de-différences repose sur une hypothèse de tendances parallèles et l'étude se déroule dans un environnement logiciel particulier. Les estimations de vies et d'économies sont des projections, non des événements observés. Le texte traite d'interactions médicamenteuses et ne permet pas de généraliser à toutes les erreurs de prescription, ni à d'autres pays, spécialités ou interfaces.

Lift publicitaire : mesurer un effet sans expérience planifiée

Une entreprise modifie un budget ou lance un canal sans avoir préparé d'expérience. Le changement existe dans les données, mais sa date et son effet ne sont pas documentés. Georgios Filippou, Boi Mai Quach et Ashish Kumar Jha proposent de traiter ces variations comme des interventions potentielles, sans les confondre avec un essai randomisé.

La procédure a deux étapes. La première détecte et date une intervention par inférence bayésienne de ruptures dans les séries d'activité. La seconde construit un contrefactuel de série temporelle à variance contrainte et produit une estimation avec simulation d'incertitude. Cinq conditions de qualification portent sur l'adéquation du contrefactuel, la matérialité, l'isolement, la direction et la plausibilité économique. Sur deux benchmarks expérimentaux publiés par Meta, la date d'intervention est retrouvée exactement dans les deux cas. Pour le retrait publicitaire, l'effet est à 6,2 % de l'estimation expérimentale ; pour l'ajout publicitaire, l'intervalle à 90 % couvre l'estimation expérimentale et exclut zéro. Dans les simulations, une intervention est refusée faute de signal suffisant et une fausse candidate est écartée par le contrôle économique.

L'apport pratique est moins l'attribution que le refus explicite d'attribuer. Si le contrefactuel n'est pas adéquat, si l'intervention est mêlée à une autre ou si le retour implicite est économiquement impossible, le résultat ne devient pas une preuve de rendement. Les portes C1 à C5 peuvent servir de contrôle avant publication d'un chiffre.

Les deux benchmarks ne couvrent pas tous les modes d'échec et les simulations reposent sur un générateur contrôlé. Le papier indique qu'un contrôle faible ne crée pas l'information absente. Le résultat positif comporte une sous-estimation de 20 % dans l'analyse discutée. Un essai randomisé reste préférable quand il est réalisable. L'un des auteurs déclare diriger une société de conseil en analytique marketing.

Mesurer la visibilité dans les réponses générées

Un modèle génératif peut mentionner une marque ou un produit, sans que les tableaux marketing habituels indiquent combien de personnes ont vu la mention, dans quel contexte et avec quelle conséquence. Le papier propose Generative Marketing Mix Modeling, ou GMMM, pour représenter cette chaîne de mesure.

Pour le GEO, le modèle combine des réponses générées répétées, des volumes de questions, la part d'utilisation des systèmes et une probabilité d'attention. Pour le GEM, il ajoute les enregistrements de placements sponsorisés et leur probabilité d'attention. Les effets sont définis en comparant des séquences de traitement, et les auteurs exposent des conditions de consistance, d'échangeabilité séquentielle, de positivité et d'interférence contrôlée. L'évaluation repose sur des réponses simulées à des recommandations de produits en anglais et en japonais. Le papier étudie l'estimation du carryover, de la saturation et des composantes de l'effet de traitement ; il ne présente pas de preuve que la méthode mesure directement des ventes réelles sur une plateforme donnée.

Le point utile pour une équipe éditoriale est la séparation des variables. Être mentionné dans une réponse, être remarqué, visiter un site et acheter sont quatre événements distincts. Une mesure sérieuse conserve ces étapes au lieu de convertir une impression de visibilité en attribution commerciale. La distinction protège aussi des promesses de SEO génératif : un test peut mesurer une distribution de mentions ou une variation de probabilité sans démontrer à lui seul une hausse de trafic ou de revenu.

Le protocole repose sur des hypothèses causales fortes et sur des entrées de marché et de réponse qui peuvent être mal mesurées. Les expériences principales utilisent des réponses simulées et ne valident pas une plateforme ou une campagne réelle.

Combien coûte une réduction ciblée de l'extrême pauvreté

Si la consommation de chaque ménage pauvre était parfaitement connue, il suffirait en théorie de transférer la somme manquante pour atteindre le seuil. Les programmes réels disposent d'enquêtes incomplètes, de variables imparfaites et de ménages susceptibles de modifier leurs réponses quand l'éligibilité dépend d'une mesure.

Sahoo, Blumenstock, Niehaus, Selker et Wager formulent le ciblage de la pauvreté comme un problème d'apprentissage statistique sous ces contraintes d'information. Une politique de transfert associe les caractéristiques observables d'un ménage à un montant non négatif, en minimisant une perte ou un coût sous une contrainte de réduction de la pauvreté. Les auteurs distinguent une politique de transfert libre, où le montant varie selon le ménage, et une politique binaire, où l'on attribue zéro ou une somme commune. Ils soulignent que minimiser le seul taux de pauvreté peut favoriser des ménages juste sous le seuil au détriment des plus pauvres : la fonction de perte doit représenter le niveau de vie après transfert, pas le nombre de personnes franchissant la ligne.

À partir d'enquêtes nationales de consommation dans 34 pays représentant 76 % des personnes pauvres, l'étude estime qu'abaisser le taux d'extrême pauvreté à 1 %, contre une base de 13 %, coûterait 211 milliards de dollars nominaux par an dans l'échantillon étudié. Ce montant est quatre fois la réduction correspondante du poverty gap agrégé, mais représente 19 % du coût d'un revenu universel de base selon leur comparaison. L'extrapolation mondiale donne environ 0,28 % du PIB mondial. Ces chiffres mesurent une politique apprise sous information limitée.

Les résultats dépendent des enquêtes, du seuil de pauvreté, des hypothèses de mesure et de l'extrapolation. Le modèle abstrait certaines dynamiques de long terme et les réponses comportementales. Les montants ne sont ni un budget garanti ni une recommandation applicable sans validation locale.

Dibao : cibler le besoin ou le gain attendu

Quand les places d'un programme social sont limitées, deux critères s'opposent : sélectionner les ménages qui en ont le plus besoin, ou ceux qui devraient en tirer le plus grand bénéfice. Haojie Liu, Jiyuan Ling et Zihan Lin examinent cette tension dans le programme chinois Dibao, dispositif de garantie d'un niveau de vie minimum.

À partir de données longitudinales de la China Household Finance Survey, les auteurs estiment des gains hétérogènes de l'aide sur la consommation et les dépenses d'éducation, puis les confrontent à l'entrée effective dans Dibao pour identifier les priorités conditionnelles révélées par la sélection. Le modèle complet reproduit 29,1 % des bénéficiaires observés à capacité locale fixe, contre 16,6 % pour une allocation aléatoire dans les marchés locaux. La composante de gains prédits explique peu de l'amélioration du classement : une décomposition de Shapley attribue 96,9 % de cette amélioration aux priorités liées aux caractéristiques des ménages, contre 3,1 % aux gains prédits. Les directions sont stables dans 27 des 40 spécifications de valeur des résultats compatibles avec les données, un revenu plus faible, un chef de ménage moins diplômé et la présence de personnes âgées étant associés à une priorité plus élevée. Dans la contre-factuelle principale, supprimer les différences de priorité en conservant les paramètres de gains et le nombre de places ne laisse que 10,9 % de recouvrement avec les bénéficiaires observés, soit 89,1 % de renouvellement.

Le résultat ne dit pas que Dibao est optimal, ni que les priorités observées forment une règle à reproduire. Il montre que cibler sur les effets prédits serait un changement de principe d'allocation, pas un réglage technique.

Les gains sont conditionnels aux variables observées et les paramètres de valeur des résultats sont faiblement identifiés. Parmi 1 768 combinaisons étudiées, 603 appartiennent à la région soutenue à 5 % ; le recouvrement du modèle complet varie alors de 14,3 % à 31,7 %. Le chiffre de 89,1 % décrit une divergence de classement, pas une perte de bien-être.

Contrats carbone appris : les petites fermes davantage exclues

Rishi Bharadwaj et Yadati Narahari modélisent un agrégateur qui propose un contrat commun à des petits exploitants agricoles. Les coûts d'adoption sont privés, l'effort est partiellement invisible et les résultats agronomiques évoluent sur plusieurs saisons. Le problème est formulé comme un jeu principal-agent dans un POMDP.

Un agent de reinforcement learning apprend un contrat dynamique, comparé à un benchmark de premier rang. Dans la simulation, l'agrégateur réalise 87,7 % de l'adoption atteignable sur les grandes exploitations, contre 8,2 % sur les petites. Les coûts de mesure, de reporting et de vérification par hectare diminuent avec la taille, et le contrat mutualisé amplifie cette pente. Lorsque les coûts MRV sont rendus purement proportionnels à la surface, le modèle élimine la disparité observée dans le scénario principal. Le papier introduit aussi une mesure de part d'adoption réalisée, qui sépare les pertes dues au coût de vérification de celles dues à la maximisation du profit sous contrat commun.

L'enseignement de lecture est qu'un agent peut maximiser proprement sa récompense tout en aggravant une exclusion structurelle. Une optimisation de contrat gagne donc à suivre les résultats par taille d'exploitation, coût fixe, adoption et revenu, plutôt que le seul profit global. La mécanique d'apprentissage de politique se retrouve dans le dossier apprentissage par renforcement et politiques.

Les écarts chiffrés proviennent d'un environnement simulé et de paramètres agronomiques et économiques choisis par les auteurs. La politique apprise n'est pas une recommandation financière ou agricole prête à déployer. Les coûts MRV réels, les comportements non myopes et les différences régionales demandent une recalibration et une validation de terrain.

Apprendre un contrat quand l'action de l'agent reste cachée

Dans un problème principal-agent, le principal observe le résultat mais pas l'action qui l'a produit. Il choisit un vecteur de paiements selon les catégories de résultat, et la meilleure réponse de l'agent peut changer brutalement après une petite variation du contrat.

Rui Ai, David Simchi-Levi et Han Zhong montrent comment normaliser le benchmark malgré un tie-breaking qui n'est pas invariant par translation des paiements. La préférence révélée donne ensuite une application monotone dans des coordonnées de différences de paiements. Une paramétrisation de type Lipschitz et un maître rested-UCB apprennent cette géométrie à partir des catégories observées. Pour un nombre fixe m de résultats, le regret minimax sur T tours est de l'ordre de T^(m/(m+1)), à facteurs logarithmiques près. Pour deux résultats, le taux devient T^(2/3), que les auteurs comparent à une borne générale précédente en T^(4/5). Une borne inférieure correspondante montre que chaque catégorie contractuelle supplémentaire augmente réellement le coût d'apprentissage.

Le résultat intéresse surtout qui conçoit un schéma de paiement par paliers : ajouter une catégorie de résultat n'est pas gratuit, et le prix se paie en nombre d'interactions nécessaires avant de converger vers un contrat correct.

Le résultat suppose un nombre fixe de résultats et des contrats bornés. Il ne rend pas la réponse de l'agent continue ni nécessairement stable. La borne supérieure accepte des espaces d'actions et des types d'agents arbitraires, mais reste une garantie asymptotique de théorie de l'apprentissage. Les ordres de grandeur sont asymptotiques et ne donnent pas de nombre de tours pour un cas précis.

L'IA est-elle un outil, un capital ou une infrastructure

Décrire l'intelligence artificielle comme une simple innovation technique masque une partie de ses effets économiques. Zeytoon-Nejad propose de l'examiner simultanément comme une forme de capital, un travail synthétique, une technologie à usage général et une infrastructure. Chaque description met l'accent sur un canal différent de la transformation.

La grille ne prédit pas un résultat unique. Elle sépare automatisation, augmentation, optimisation, prédiction et innovation. Une même application peut réduire le coût d'une tâche, compléter un salarié, déplacer le pouvoir de négociation et exiger des investissements d'infrastructure en même temps. Dans la production, les gains attendus ne dépendent pas seulement de la capacité du modèle, mais aussi de la façon dont l'entreprise réorganise tâches, contrôles et responsabilités. La technologie peut stimuler l'entrée et l'entrepreneuriat, et aussi renforcer les économies d'échelle et la concentration si les données, le compute ou les canaux de distribution sont difficiles à reproduire. L'auteur distingue par ailleurs substitution du travail, complémentarité et destruction créative : certaines tâches se contractent, d'autres deviennent plus productives, et les compétences demandées évoluent avant que les nouveaux emplois ne soient visibles.

Une équipe qui déploie un agent peut préciser le canal attendu, temps économisé, qualité augmentée, nouvelle capacité de recherche ou infrastructure partagée, puis mesurer séparément la sortie, le coût de supervision et l'effet sur la répartition du travail. Un gain de productivité local ne prouve pas un gain de bien-être collectif. Le dossier recherche, produit et organisation traite la même question au niveau des équipes.

Le texte est un essai de synthèse et de cadrage, pas une estimation causale d'un déploiement particulier. Les effets restent conditionnels aux institutions, aux marchés du travail, à la propriété des ressources et aux politiques publiques.

Qui reçoit les gains d'une IA transformatrice

Une automatisation large peut accélérer la production tout en réduisant la part du travail. Si capital, compute et robots appartiennent à un groupe étroit, les gains de croissance se concentrent avec les revenus et le patrimoine. La question devient moins celle du volume produit que celle de la distribution des rentes.

Growiec, Prettner et Szkróbka proposent un cadre théorique unifié et passent en revue les politiques redistributives envisagées pour l'ère de l'IA transformatrice. Leur point de départ est un monde d'IA alignée sur les objectifs humains, afin d'isoler la distribution des gains de la question de la sûreté. Le modèle relie offre productive, propriété des facteurs, inégalités initiales, dynamique agrégée et préférences, ce qui permet de comparer des trajectoires sans politique puis des instruments touchant les revenus ou les actifs associés à l'automatisation. La revue couvre le revenu universel, le capital universel, des permis publics de compute et de robots, ainsi que des taxes sur le capital, le compute, les robots, les tokens, l'énergie, la terre, la consommation et le patrimoine. Ces instruments n'agissent pas au même endroit : certains distribuent un flux, d'autres donnent accès à un actif ou renchérissent une ressource rare.

Les auteurs concluent que les politiques capables de distribuer largement les rentes du capital, notamment le compute et les robots, sont les plus susceptibles de réduire durablement les inégalités dans leur scénario. Ils mettent en avant le capital universel, ou un revenu universel financé par des taxes sur le capital, comme mécanismes qui redistribuent la propriété plutôt que de compenser un revenu du travail disparu. Cette conclusion est conditionnelle à l'alignement, à la structure de propriété, à la capacité fiscale et à la valorisation des ressources complémentaires.

Le papier est un cadre théorique et une revue de politiques, pas un plan budgétaire pour un pays donné. L'IA transformatrice et son alignement y sont des hypothèses de scénario.

Ce qui se recoupe entre ces travaux

Le fil le plus net est le déplacement de l'hypothèse. Aucun de ces travaux ne supprime le besoin d'une hypothèse non testable : ils la changent de place et la rendent visible. Tian et Zhi remplacent une restriction d'exclusion par une pertinence locale des shifts. Filippou, Quach et Jha remplacent la randomisation par cinq conditions de qualification explicites. Shao, Choudhary et Majumdar reposent sur des tendances parallèles. Le GMMM pose consistance, échangeabilité séquentielle, positivité et interférence contrôlée. Dans chaque cas, la crédibilité du chiffre ne vient pas de l'estimateur mais de l'argument substantiel qui soutient l'hypothèse de remplacement, et toutes les sources signalent ce transfert plutôt que de le dissimuler.

Deuxième recoupement : l'objectif choisi détermine le résultat autant que la méthode. Jakeman et ses coauteurs montrent qu'un design optimisé pour les paramètres devient comparable à une allocation aléatoire quand on l'évalue sur la prédiction, et inversement. Sahoo et ses coauteurs montrent que minimiser un taux de pauvreté n'est pas minimiser une perte de niveau de vie. Liu, Ling et Lin montrent qu'un ciblage sur le besoin et un ciblage sur le gain prédit désignent des populations largement différentes, avec 89,1 % de renouvellement des bénéficiaires dans leur contre-factuelle principale. Bharadwaj et Narahari montrent qu'un agent qui maximise correctement un profit peut produire un écart d'adoption de 87,7 % contre 8,2 % selon la taille d'exploitation. Le même appareil statistique, sous un autre critère, désigne une autre décision.

Troisième recoupement : les coûts fixes et les frictions d'information produisent eux-mêmes de la distribution. Le coût MRV par hectare qui décroît avec la taille suffit à exclure les petites fermes, et le rendre proportionnel élimine la disparité dans le modèle. La contrainte d'information fait passer le coût d'un ciblage de la pauvreté bien au-delà du poverty gap théorique, quatre fois selon l'estimation rapportée. Chez Ai, Simchi-Levi et Zhong, chaque catégorie contractuelle supplémentaire se paie en regret. Ce n'est pas la même littérature, mais c'est le même mécanisme : ce qu'on ne peut pas observer ou vérifier sans frais se traduit en répartition.

Ce qui se contredit est plus discret. Cai, Pernoud et Xu rompent avec l'intuition selon laquelle toute manipulation aggrave le biais, et leur application empirique trouve des indices dans les deux directions. Hagar et Gustafson trouvent des proxys linéaires robustes et une variante Robbins-Monro continue parfois meilleure, mais une variante entière qui converge mal : il n'y a pas de stratégie dominante. Growiec, Prettner et Szkróbka concluent en faveur d'instruments qui distribuent la propriété du capital, mais dans un scénario d'IA alignée posé en hypothèse, ce que Zeytoon-Nejad n'arbitre pas.

Reste ouvert : aucun de ces travaux ne valide une mesure sur un déploiement réel complet. Les benchmarks sont au nombre de deux chez Filippou et ses coauteurs, les réponses sont simulées pour le GMMM, l'environnement carbone est synthétique, les deux papiers sur l'IA économique sont des cadrages théoriques. Les chiffres d'économies et de vies de l'étude indienne sont des projections, pas des événements observés. La transposition reste un travail empirique, et les sources le disent. Pour la partie identification pure, le dossier graphes, causalité et raisonnement prolonge ces questions.

Sources

• arXiv:2609.13026v1 — Identifier une relation endogène sans restriction d'exclusion
• arXiv:2609.05372v1 — Le p-hacking aggrave-t-il toujours le biais de publication
• arXiv:2609.19489v1 — Bayesian Sample Size Determination: Sampling Distribution Estimation or Exploration?
• arXiv:2609.08023v1 — Risk-Aware Goal-Oriented Bayesian Optimal Experimental Design
• arXiv:2609.09673v1 — Réduire les erreurs de prescription par une information ciblée
• arXiv:2609.18257v1 — Pseudo-Incrementality Testing: Measuring Advertising Lift from Naturally Occurring Interventions
• arXiv:2609.11915v1 — Generative Marketing Mix Modeling: A Causal Inference Framework Linking GEO and GEM to Business Impact
• arXiv:2609.02013v1 — Combien coûte une réduction ciblée de l'extrême pauvreté
• arXiv:2609.08411v1 — Dibao : cibler le besoin ou le gain attendu
• arXiv:2609.20404v1 — Learning Principal-Agent Contracts for Equitable Smallholder Carbon Farming under Moral Hazard and Adverse Selection
• arXiv:2609.20353v1 — Minimax-Optimal Online Contract Design with Unrestricted Bounded Contracts
• arXiv:2609.01263v1 — L'IA est-elle un outil, un capital ou une infrastructure
• arXiv:2609.14750v1 — Qui reçoit les gains d'une IA transformatrice