Cet article étudie l’abstraction causale qui relie les modèles causaux à différents niveaux de granularité. Pour garantir que les modèles causaux concordent sur la cause et l’effet, le cadre d’abstraction causale définit la notion de cohérence. Dans cet article, nous abordons deux méthodes d'abstraction causale courantes dans la littérature : (i) les abstractions graphiques telles que les Cluster DAG (qui relient les modèles à un niveau structurel) et (ii) les abstractions fonctionnelles telles que les α-abstractions (qui relient les modèles via des mappages entre les variables et leurs portées). Cet article aligne les notions de cohérence graphique et fonctionnelle, et montre l'équivalence entre une classe de Cluster DAG avec des α-abstractions cohérentes (où les plages de variables abstraites sont mappées une à une) et une τ-abstraction compositionnelle. De plus, nous étendons le tri et la puissance expressive des abstractions graphiques en introduisant des DAG de cluster partiels. Nos résultats fournissent une connexion rigoureuse entre les cadres fonctionnels et graphiques, permettant l’adoption et le transfert de nos résultats.
