Cet article aborde le problème de l'identification des effets directs contrôlés (EDC) dans divers domaines scientifiques. Les méthodes existantes permettent d'identifier les EDC à partir de graphes acycliques causaux dirigés (AGD), mais en pratique, la structure sous-jacente est souvent inconnue. Cet article aborde ce problème en utilisant des graphes essentiels, qui représentent les classes d'équivalence de Markov des ACD ayant le même ensemble d-séparé. Cependant, l'apprentissage de l'intégralité du graphe essentiel est gourmand en ressources informatiques et repose souvent sur des hypothèses fortes non vérifiées. Par conséquent, cet article caractérise les classes locales de graphes définies par des variables cibles et présente une représentation graphique appelée graphe essentiel local (LEG) pour représenter ces classes. Nous proposons ensuite un nouvel algorithme, LocPC, conçu pour récupérer les LEG à partir de distributions observées en utilisant uniquement des tests d'indépendance conditionnelle locale. Sur la base de LocPC, nous proposons un algorithme, LocPC-EDC, qui découvre un sous-ensemble de LEG nécessaires et suffisants pour identifier les EDC sans avoir à obtenir l'intégralité du graphe essentiel. Comparé aux méthodes globales, l'algorithme proposé nécessite moins de tests d'indépendance conditionnelle et fonctionne avec des hypothèses plus faibles tout en conservant des garanties théoriques. Des études de simulation démontrent l'efficacité de cette approche.
