Le résidu révèle la direction causale
deux régressions, deux résidus non corrélés, un seul indépendant
1 · LE MODÈLE
$$Y=b\,X+\sqrt{1-b^2}\;\varepsilon,\qquad X\perp\!\!\!\perp\varepsilon$$
$$\operatorname{Var}X=\operatorname{Var}\varepsilon=1\quad\Longrightarrow\quad \operatorname{corr}(X,Y)=b$$
$$\begin{gathered}\underbrace{r_{Y\mid X}=Y-\hat b\,X}_{\text{sens causal}}\qquad\qquad \underbrace{r_{X\mid Y}=X-\hat b'\,Y}_{\text{sens anticausal}}\\[4pt] \operatorname{corr}(r,\text{régresseur})=0 \text{ dans les deux sens}\end{gathered}$$
2 · À TOI : CHANGE LA LOI DU BRUIT
les données
critère : résidu contre régresseur, dans chaque sens
Δ est le rapport de vraisemblance par paires de DirectLiNGAM (approximation de l'entropie) : Δ > 0 désigne la variable horizontale comme cause. corr(r², régresseur²) mesure une dépendance que la corrélation ne voit pas.
3 · RAPPELS
- Théorème de Darmois–Skitovich : si deux combinaisons linéaires de variables indépendantes sont indépendantes, toute variable présente dans les deux est gaussienne.
- Le résidu anticausal \(X-\hat b'Y\) et le régresseur \(Y\) contiennent tous deux \(X\) et \(\varepsilon\) : ils sont dépendants dès qu'un bruit n'est pas gaussien. Le résidu causal est \(\sqrt{1-b^2}\,\varepsilon\), indépendant de \(X\).
- En gaussien, les deux sens sont indiscernables : même loi jointe, même classe d'équivalence de Markov \(X - Y\).
- DirectLiNGAM généralise : à chaque étape, la variable la plus exogène est celle dont les régressions laissent les résidus les plus indépendants.
- Plus b est proche de 1, plus le bruit est petit et plus la dépendance anticausale est faible : il faut alors plus de données pour trancher.