Pablo Zavala · Évaluation de sécurité IA · Ingénierie de recherche

Qu'est-ce qui détermine le prix d'une maison à Los Angeles ?

Une étude big data de l'University of Chicago Booth, coécrite avec Will Sigal, qui établit le prix de 3 804 maisons individuelles du comté de Los Angeles à partir de caractéristiques structurelles et de quartier, puis en audite elle-même le chiffre phare. Un ensemble empilé réglé atteint un R² hors échantillon de 0,621 sous validation croisée aléatoire et retombe à 0,431 lorsque l'évaluation se déplace vers des blocs géographiques mis de côté ; sur le spectre distinct d'exclusion d'une région à la fois, la capacité prédictive des ensembles d'arbres décroît vers zéro tandis que l'humble modèle linéaire régularisé résiste le mieux dans l'espace. Le Double/Debiased ML à ajustement croisé porte la prime côtière directe à près de +29,8 % par pied carré, tandis que la prime naïve associée aux écoles privées s'effondre à un zéro statistique.

Sur une dizaine de modèles réglés, le R² en validation croisée aléatoire de 0,621 retombe à 0,431 sous validation croisée par blocs spatiaux, et un spectre d'exclusion d'une région à la fois envoie la capacité prédictive des ensembles d'arbres vers zéro ; le Double ML estime une prime côtière directe de +29,8 % (IC à 95 % [0,16; 0,33] point logarithmique) et réduit l'écart naïf associé aux écoles privées à +0,7 %.

Dépôt public reproductible et document de travail

Les lectures causales tiennent uniquement sous ignorabilité, l'estimation côtière repose sur 100 maisons traitées, et des conditions imposées par des tiers maintiennent les données au niveau du logement hors du dépôt, si bien qu'une relance complète part de la table nettoyée que le code d'ingestion versionné reconstruit.

Rôle: Travail de cours en binôme avec Will Sigal : conception, modélisation et rédaction partagées, aussi bien dans le code d'analyse que dans le document de travail de 22 pages.

Carte d'évaluation

Résultat principal

Échantillon

3 804 annonces de maisons individuelles réparties dans 152 villes du comté de Los Angeles, une table de modélisation nettoyée

Correcteur

R² agrégé hors pli sous validation croisée aléatoire à 5 plis, par blocs spatiaux et par exclusion d'une région à la fois ; balayage réglé par validation croisée imbriquée, avec empilement

Résultat

Un ensemble empilé réglé mène en validation croisée aléatoire avec un R² de 0,621 ; les blocs spatiaux font chuter son score à 0,431, tandis que l'élastic net réglé affiche le meilleur score spatial à 0,448 ; sur le spectre d'exclusion d'une région à la fois, le modèle linéaire régularisé extrapole le mieux.

Limite

Un seul comté et un seul instantané d'annonces ; les blocs spatiaux approximent le déploiement réel hors région sans le reproduire fidèlement.

Audit causal

Échantillon

Quatre traitements : la côte à moins d'un demi-mile (100 maisons traitées), une école privée à moins de 2 miles, une saisie immobilière à moins d'1 mile, la distance à la côte par mile

Correcteur

Double/Debiased ML à ajustement croisé avec fonctions de nuisance à gradient boosting ; bootstrap par blocs spatiaux pour les IC à 95 % ; sensibilité à l'ensemble de contrôle

Résultat

Côte +29,8 % (IC [0,16; 0,33] point logarithmique) ; école privée +0,7 % (IC [-0,11; 0,11] point logarithmique) ; saisie immobilière -7,0 % (IC [-0,14; -0,01] point logarithmique), lue comme suggestive ; avec les seuls contrôles structurels, la prime côtière totale s'établit à +79,4 %.

Limite

Estimations observationnelles ajustées pour la confusion, causales uniquement sous ignorabilité compte tenu des contrôles.

Niveau de preuve

Échantillon

Dépôt public comprenant le document de travail, les figures, les tableaux, les tests et la CI

Correcteur

make all régénère hors ligne chaque figure et chaque tableau ; macros.tex, results.json et results_full.json verrouillent le manuscrit sur la sortie du pipeline

Résultat

Chaque chiffre cité sur cette page apparaît dans les fichiers de résultats versionnés, les macros générées, les tableaux de l'article, le README, ou le PDF de l'article hébergé.

Limite

Les données au niveau du logement restent retenues en vertu de conditions tierces ; reconstruire la table nettoyée nécessite les sources brutes ainsi que le code d'ingestion versionné.

Affiliation

Échantillon

University of Chicago Booth, BUSN 41201 (Big Data), mai 2024

Correcteur

Page de titre de l'article et README du dépôt

Résultat

Travail de cours de niveau master coécrit par Pablo Zavala et Will Sigal, suivant la boîte à outils Business Data Science de Taddy.

Limite

Les supports de cours, les consignes et le contexte de notation restent privés.

Mise à jour de la page

Échantillon

Juillet 2026

Correcteur

Registre de contenu du site

Résultat

Entrée rédigée le 10 juillet 2026 à partir du dépôt public, de ses résultats versionnés et du document de travail.

Limite

Les chiffres reflètent les sorties versionnées du pipeline plutôt qu'une relance récente.

Axes d'évaluation avec échantillon, correcteur, résultat et limite.

Axe	Échantillon	Correcteur	Résultat	Limite
Résultat principal	3 804 annonces de maisons individuelles réparties dans 152 villes du comté de Los Angeles, une table de modélisation nettoyée	R² agrégé hors pli sous validation croisée aléatoire à 5 plis, par blocs spatiaux et par exclusion d'une région à la fois ; balayage réglé par validation croisée imbriquée, avec empilement	Un ensemble empilé réglé mène en validation croisée aléatoire avec un R² de 0,621 ; les blocs spatiaux font chuter son score à 0,431, tandis que l'élastic net réglé affiche le meilleur score spatial à 0,448 ; sur le spectre d'exclusion d'une région à la fois, le modèle linéaire régularisé extrapole le mieux.	Un seul comté et un seul instantané d'annonces ; les blocs spatiaux approximent le déploiement réel hors région sans le reproduire fidèlement.
Audit causal	Quatre traitements : la côte à moins d'un demi-mile (100 maisons traitées), une école privée à moins de 2 miles, une saisie immobilière à moins d'1 mile, la distance à la côte par mile	Double/Debiased ML à ajustement croisé avec fonctions de nuisance à gradient boosting ; bootstrap par blocs spatiaux pour les IC à 95 % ; sensibilité à l'ensemble de contrôle	Côte +29,8 % (IC [0,16; 0,33] point logarithmique) ; école privée +0,7 % (IC [-0,11; 0,11] point logarithmique) ; saisie immobilière -7,0 % (IC [-0,14; -0,01] point logarithmique), lue comme suggestive ; avec les seuls contrôles structurels, la prime côtière totale s'établit à +79,4 %.	Estimations observationnelles ajustées pour la confusion, causales uniquement sous ignorabilité compte tenu des contrôles.
Niveau de preuve	Dépôt public comprenant le document de travail, les figures, les tableaux, les tests et la CI	make all régénère hors ligne chaque figure et chaque tableau ; macros.tex, results.json et results_full.json verrouillent le manuscrit sur la sortie du pipeline	Chaque chiffre cité sur cette page apparaît dans les fichiers de résultats versionnés, les macros générées, les tableaux de l'article, le README, ou le PDF de l'article hébergé.	Les données au niveau du logement restent retenues en vertu de conditions tierces ; reconstruire la table nettoyée nécessite les sources brutes ainsi que le code d'ingestion versionné.
Affiliation	University of Chicago Booth, BUSN 41201 (Big Data), mai 2024	Page de titre de l'article et README du dépôt	Travail de cours de niveau master coécrit par Pablo Zavala et Will Sigal, suivant la boîte à outils Business Data Science de Taddy.	Les supports de cours, les consignes et le contexte de notation restent privés.
Mise à jour de la page	Juillet 2026	Registre de contenu du site	Entrée rédigée le 10 juillet 2026 à partir du dépôt public, de ses résultats versionnés et du document de travail.	Les chiffres reflètent les sorties versionnées du pipeline plutôt qu'une relance récente.

Comment inspecter ce travail

Un score, trois réponses

L'article évalue ses modèles sous des régimes qui répondent à des questions différentes. La validation croisée aléatoire (R² de 0,621 pour l'ensemble réglé) établit le prix d'une maison dont les voisins figurent dans l'entraînement ; la validation croisée par blocs spatiaux (0,431) établit le prix d'une région partiellement mise de côté ; et un spectre d'exclusion d'une région à la fois sur LASSO, random forest et XGBoost établit le prix de parties du comté véritablement inédites, où la capacité prédictive des ensembles d'arbres décroît vers zéro. L'écart entre ces régimes mesure la part du chiffre phare qui repose sur l'interpolation.

La causalité confrontée à l'association

Chaque affirmation causale est mise en regard de son pendant naïf. L'écart côtier brut de 0,904 point logarithmique se réduit à une estimation Double ML de 0,261 ; l'écart brut associé aux écoles privées de 0,442 se réduit à 0,007 avec un intervalle chevauchant zéro ; et l'association liée aux saisies immobilières s'inverse, passant d'un écart brut positif à -7,0 % après ajustement, une estimation que l'article qualifie de suggestive car l'intervalle se termine près de zéro.

Vérification pour le lecteur

Une fois la table de modélisation nettoyée en place (les lignes au niveau du logement restent retenues en vertu de conditions imposées par des tiers), make analysis reconstruit hors ligne les figures et tableaux de référence en environ deux minutes, make all régénère l'ensemble, et les résultats versionnés consignent une exécution complète associant réglage et analyse causale de 21,9 minutes. Des macros générées verrouillent chaque chiffre du manuscrit sur la sortie du pipeline, des tests protègent les contrats de données tandis que la CI exécute la suite de logique pure, et la fiche de données consigne la provenance de chaque source retenue, si bien que chaque chiffre cité se retrace jusqu'au code versionné.

Étude de cas

Problème

Le prix au pied carré varie du simple à plusieurs multiples à travers le comté de Los Angeles, souvent sur quelques miles seulement, et un score unique de validation croisée flatte n'importe quel modèle sur des données spatiales ; l'étude a donc besoin d'un protocole d'évaluation qui sépare la structure transférable de la simple interpolation entre voisins proches.

Contexte

La table d'analyse regroupe 3 804 annonces de maisons individuelles réparties dans 152 villes, chacune enrichie par jointures spatiales avec sept couches de quartier : nombre d'écoles, criminalité violente à l'échelle du secteur de recensement, revenu et densité du recensement, superficie des parcs, restaurants les mieux notés, procédures de saisie immobilière de 2021, et distance à la côte. La cible, le logarithme du prix au pied carré, atténue une lourde queue à droite et permet aux coefficients de se lire comme des effets en pourcentage approximatifs.

Méthode

Un balayage réglé d'une dizaine de modèles, couronné par un ensemble empilé, s'évalue sur des prédictions agrégées hors pli selon les régimes de validation croisée aléatoire à 5 plis et par blocs spatiaux, tandis qu'un spectre distinct d'exclusion d'une région à la fois met à l'épreuve le trio non réglé LASSO, random forest et XGBoost. Une régression OLS hédonique à erreurs types robustes HC3, un contrôle de parcimonie par LASSO, et une passe d'importance par permutation hors échantillon sur le random forest traitent l'association ; le Double/Debiased ML à ajustement croisé avec bootstrap par blocs spatiaux traite l'ajustement causal ; Moran's I audite le regroupement spatial des résidus.

Résultat

L'ensemble empilé atteint un R² de 0,621 en validation croisée aléatoire et de 0,431 sous blocs spatiaux ; sur le spectre d'exclusion d'une région à la fois, XGBoost retombe à 0,007 lorsque la moitié du comté est mise de côté, tandis que LASSO tient à 0,276. Le Double ML porte la prime côtière directe à +29,8 % par pied carré (IC à 95 % [0,16; 0,33] point logarithmique) contre un écart naïf de 0,904, réduit la prime associée aux écoles privées à un zéro statistique, et fait basculer l'externalité des saisies immobilières à -7,0 %, une lecture suggestive dont l'intervalle se termine près de zéro.

Limite

Les estimations causales restent observationnelles, valides sous la seule ignorabilité, et le contraste côtier repose sur 100 maisons traitées ; les résidus hors échantillon conservent une structure spatiale (Moran's I 0,056 en validation croisée aléatoire, 0,346 en validation croisée par blocs spatiaux), ce qui oriente vers une modélisation explicite à erreur spatiale comme prochaine étape.

Preuve

Une fois la table nettoyée en place, le dépôt public régénère hors ligne chaque figure et chaque tableau grâce à make all, verrouille les chiffres du manuscrit au moyen de macros générées, et embarque des tests ainsi qu'une suite de CI de logique pure ; la fiche de données consigne la provenance et la licence de chaque source retenue.

Résultats clés

• Le R² en validation croisée aléatoire de 0,621 pour l'ensemble empilé réglé retombe à 0,431 sous validation croisée par blocs spatiaux, et un spectre d'exclusion d'une région à la fois envoie la capacité prédictive des ensembles d'arbres vers zéro
• LASSO tient un R² hors échantillon de 0,276 avec la moitié du comté mise de côté, tandis que XGBoost retombe à 0,007, si bien que le modèle linéaire régularisé extrapole le mieux
• Le Double ML porte la prime côtière directe à +29,8 % par pied carré (IC à 95 % [0,16; 0,33] point logarithmique) contre un écart naïf de 0,904 point logarithmique, avec une lecture de prime totale de +79,4 % sous les seuls contrôles structurels
• La prime naïve associée aux écoles privées, de 0,442 point logarithmique, s'effondre à +0,7 % (IC à 95 % [-0,11; 0,11] point logarithmique) après ajustement pour la localisation des écoles privées
• Chaque chiffre du manuscrit se régénère hors ligne à partir d'une unique table nettoyée grâce à des macros générées, avec des tests et la CI sur le dépôt public

Méthodes

• OLS hédonique (robuste HC3)
• Contrôle de parcimonie LASSO
• Réglage par validation croisée imbriquée et empilement
• Validation croisée par blocs spatiaux
• Double/Debiased ML
• Bootstrap par blocs spatiaux
• Diagnostics de Moran's I