📊 statistics

Structural Nested Mean Models Under Parallel Trends Assumptions

Cet article établit un pont entre les différences de différences variant dans le temps et les modèles de moyenne structurelle imbriquée en démontrant que les SNMM sont identifiables sous des hypothèses de tendances parallèles conditionnelles, permettant ainsi aux chercheurs d'estimer une gamme plus large d'effets causaux, incluant l'hétérogénéité variant dans le temps et les stratégies de traitement dynamiques, tout en fournissant des méthodes pour l'analyse de sensibilité et l'estimation de régimes optimaux.

Auteurs originaux : Zach Shahn, Oliver Dukes, Meghana Shamsunder, David Richardson, Eric Tchetgen Tchetgen, James Robins

Publié 2026-07-03

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Zach Shahn, Oliver Dukes, Meghana Shamsunder, David Richardson, Eric Tchetgen Tchetgen, James Robins

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous êtes un détective essayant de découvrir la véritable relation de cause à effet entre deux choses : un traitement (comme une nouvelle politique, une inondation ou un changement de température) et un résultat (comme les taux d'assurance, les rendements agricoles ou les scores de tests).

Habituellement, pour résoudre ce mystère, vous avez besoin d'un « groupe de contrôle » (des personnes qui n'ont pas reçu le traitement) qui ressemble exactement au « groupe de traitement » à tous les niveaux, sauf pour le traitement lui-même. Dans le monde des statistiques, cela s'appelle l'hypothèse de « l'absence de confusion inobservée ». C'est comme dire : « La seule raison pour laquelle ces deux groupes sont différents est que l'un a reçu le médicament et l'autre non. »

Cependant, dans le monde réel, les gens et les lieux sont désordonnés. Il existe des facteurs cachés (confondeurs) que nous ne pouvons pas mesurer et qui pourraient influencer à la fois qui reçoit le traitement et ce qui se passe plus tard.

Ce document présente une nouvelle façon de résoudre ce mystère en combinant deux outils de détective existants : les Différences de Différences (DiD) et les Modèles de Moyenne à Structure Néstée (SNMM).

Voici la décomposition de ce qu'ils ont fait, en utilisant des analogies simples :

1. Les anciens outils vs le nouveau hybride

L'outil « Tendances Parallèles » (DiD) : C'est la méthode de détective classique. Elle suppose que si le traitement n'avait pas eu lieu, le groupe de traitement et le groupe de contrôle auraient suivi le même chemin (tendance) au fil du temps. Pensez à deux coureurs sur une piste. S'ils courent côte à côte à la même vitesse, et que soudain l'un d'eux reçoit un jetpack (le traitement), vous pouvez mesurer l'effet du jetpack en observant à quel point il devient plus rapide par rapport à l'autre coureur.
- Le Problème : Cet outil est généralement limité. Il ne peut généralement mesurer que l'effet moyen du début d'un traitement. Il a du mal si la valeur du traitement change de façon répétée (comme un thermostat qui monte et descend) ou si vous voulez savoir comment l'effet change en fonction de détails spécifiques (comme « Le jetpack fonctionne-t-il mieux pour les coureurs lourds ou légers ? »).
L'outil « SNMM » : C'est un outil plus complexe et flexible qui peut répondre à toutes ces questions détaillées (hétérogénéité, effets soutenus, etc.).
- Le Problème : Historiquement, cet outil exigeait l'hypothèse stricte de l'« Absence de Confusion Inobservée ». Il devait être certain qu'aucun facteur caché ne venait fausser les choses.

La grande percée du document :
Les auteurs ont montré que vous pouvez utiliser l'outil flexible SNMM même si vous n'avez que l'hypothèse plus faible des « Tendances Parallèles ». Ils ont prouvé que si les « coureurs » seraient restés sur le même chemin sans le traitement, vous pouvez utiliser le SNMM flexible pour répondre à des questions bien plus profondes que la méthode DiD standard ne le permet.

2. Que pouvez-vous faire avec ce nouvel outil super-puissant ?

Parce que cette nouvelle méthode est si flexible, le document affirme qu'elle permet aux chercheurs de poser des questions qui étaient auparavant impossibles sous les hypothèses de « Tendances Parallèles ». Voici les « cas de détective » qu'ils peuvent désormais résoudre :

La question « Qui en bénéficie le plus ? » (Hétérogénéité) :
- Analogie : Au lieu de simplement demander « Est-ce que le jetpack a fonctionné ? », vous pouvez demander : « Est-ce que le jetpack a mieux fonctionné pour les coureurs qui étaient déjà fatigués (chômage élevé) par rapport à ceux qui étaient frais ? »
- Exemple du document : Ils ont analysé l'expansion de Medicaid et ont constaté qu'elle réduisait davantage les taux d'assurance dans les comtés où le chômage était plus élevé.
La question du « Choc Ponctuel » (Effets de Blip) :
- Analogie : Imaginez qu'un coureur reçoive une poussée unique (une inondation) puis s'arrête. Cette poussée unique a-t-elle changé sa vitesse de façon permanente, ou est-il revenu à la normale ?
- Exemple du document : Ils ont étudié comment une inondation unique a affecté la souscription d'assurances contre les inondations. Ils ont trouvé un pic massif d'assurances juste après l'inondation, qui s'est ensuite estompé à mesure que les gens « oubliaient » le danger.
La question du « Maintien de l'effort » (Interventions Soutenues) :
- Analogie : Et si le coureur garde le jetpack allumé pendant toute la course ? Et si la température continue de monter ?
- Exemple du document : Ils ont étudié les « Degrés Jour Cumulés » (une mesure de la chaleur). Ils ont calculé ce qui arrive aux rendements agricoles si la chaleur reste élevée pendant des années, plutôt que de regarder simplement un changement ponctuel.
La question « Et si nous arrêtons d'autres choses ? » (Effets Directs Contrôlés) :
- Analogie : Si le jetpack fonctionne, mais seulement parce qu'il a aussi accidentellement allumé la climatisation, quel est l'effet du jetpack seul ?
- Exemple du document : Ils ont examiné l'expansion de Medicaid en supposant que le salaire minimum n'avait pas changé. Cela isole l'effet de Medicaid des autres changements économiques.
La question de l'« Échelle Continue » :
- Analogie : La plupart des outils DiD fonctionnent comme un interrupteur (On/Off). Ce nouvel outil fonctionne comme un variateur de lumière. Il peut gérer des traitements qui sont des nombres (comme la température ou le revenu) où tout le monde commence à un niveau différent.
- Exemple du document : Les rendements agricoles et la température n'ont pas de base « zéro » partagée par tous. Cette méthode gère ce désordre.

3. La « Stratégie Optimale » (Le carnet de jeu de l'entraîneur)

Le document aborde également une idée très avancée : Trouver le meilleur carnet de jeu.
Si vous supposez que la règle des « Tendances Parallèles » est respectée pour chaque stratégie possible qu'un entraîneur pourrait appeler, et que les facteurs cachés ne changent pas la façon dont les joueurs réagissent à ces stratégies, vous pouvez mathématiquement calculer l'optimal dynamic treatment regime (régime de traitement dynamique optimal).

Analogie : Au lieu de simplement dire « Courez vite », l'outil peut dire à un entraîneur : « Si le joueur est fatigué et qu'il pleut, passez en défense. S'il est frais et qu'il fait beau, passez en attaque. »
Revendication du document : Ils montrent comment estimer cette « meilleure stratégie » en utilisant leur nouvelle méthode, ce qui est un événement majeur pour les domaines de l'Apprentissage par Renforcement (IA qui apprend en faisant).

4. Le test « Et si nous nous trompons ? » (Analyse de Sensibilité)

Les auteurs savent que l'hypothèse des « Tendances Parallèles » est une hypothèse forte. Et si les coureurs n'étaient pas réellement sur le même chemin au départ ?

Ils fournissent un outil d'Analyse de Sensibilité. C'est comme un « test de résistance ». Vous pouvez dire à l'ordinateur : « D'accord, supposons que les facteurs cachés aient perturbé les tendances à hauteur de ceci ». L'outil recalcule ensuite les résultats pour vous montrer une gamme de possibilités. Cela aide les chercheurs à voir à quel point leurs conclusions sont robustes si leurs hypothèses sont légèrement erronées.

Résumé

En bref, ce document prend un modèle statistique flexible et puissant (SNMM) et lui apprend à fonctionner avec l'hypothèse des « Tendances Parallèles » (généralement réservée aux modèles plus simples).

Le résultat ? Les chercheurs peuvent désormais utiliser une méthode unique et robuste pour répondre à des questions complexes concernant :

Qui en bénéficie le plus ?
Qu'arrive-t-il après un événement unique par rapport à un changement à long terme ?
Comment gérer des traitements qui sont des nombres continus (et non pas seulement Oui/Non).
Comment trouver la meilleure stratégie possible pour traiter des patients ou des populations au fil du temps.

Ils ont testé cela sur des données réelles concernant l'expansion de Medicaid, les inondations et les rendements agricoles, prouvant que cela fonctionne en pratique.

Résumé Technique : Modèles de Moyenne Structurelle Négligée sous l'Hypothèse de Tendances Parallèles

1. Énoncé du Problème

L'article comble une lacune dans la méthodologie de l'inférence causale pour l'estimation d'effets de traitement variables dans le temps sur des résultats continus répétés. Deux cadres dominants existent mais opèrent de manière isolée :

Différences de Différences (DiD) Temporelles : Largement utilisé en économie et en sciences sociales, particulièrement dans les contextes d'« adoption échelonnée ». Les méthodes de DiD standard reposent généralement sur l'hypothèse de « tendances parallèles » mais sont souvent limitées à l'estimation des effets marginaux de l'initiation du traitement (par exemple, l'Effet Moyen du Traitement sur les Traités, ou ATT) et peinent à gérer l'hétérogénéité des effets variables dans le temps, les traitements continus sans base commune, ou les interventions soutenues où les valeurs du traitement changent de façon répétée.
Modèles de Moyenne Structurelle Négligée (SNMMs) : Un cadre flexible développé par Robins et ses collègues pour modéliser l'hétérogénéité des effets variables dans le temps et les régimes de traitement dynamiques complexes. Historiquement, les SNMM ont été identifiés uniquement sous l'hypothèse forte d'« absence de confusion inobservée » (échangeabilité séquentielle), ce qui est souvent difficile à justifier dans des contextes observationnels.

Le problème central est que les SNMM offrent un ensemble plus riche d'estimands causaux (par exemple, les effets d'interventions soutenues, les effets directs contrôlés, les régimes dynamiques) mais manquent d'identification sous les hypothèses de « tendances parallèles » plus plausibles utilisées pour justifier les méthodes de DiD. Inversement, les méthodes de DiD manquent de la flexibilité nécessaire pour répondre à des questions de fond complexes modélisées par les SNMM.

2. Méthodologie

Cadre Central

Les auteurs lient ces deux approches en démontrant que les SNMM peuvent être identifiés de manière non paramétrique sous une hypothèse de Tendances Parallèles Conditionnelles Variables dans le Temps.

Notation : L'article considère une cohorte observée de $0 $à$ K$. À chaque instant $m$ , les données comprennent des covariables $Z_m$ , un traitement $A_m$ , et un résultat $Y_m$ . $\bar{L}_m$ représente un résumé de l'historique des covariables et des résultats jusqu'au temps $m$ .
Estimands Causaux : L'article se concentre sur les fonctions de sursaut (blip functions) $\gamma^*_{mk}(\bar{l}_m, \bar{a}_m)$ $γ_{mk}^{*} (\overset{ˉ}{l}_{m}, \overset{a}{ˉ}_{m})$ , qui représentent l'effet moyen conditionnel au temps $k$ $k$ de recevoir le traitement $a_m$ $a_{m}$ au temps $m$ $m$ puis de suivre un régime spécifique $g$ $g$ , comparé au suivi du régime $g$ $g$ au temps $m$ $m$ et par la suite.
- Les cas particuliers incluent les effets d'initiation (où $g$ est le régime « non traité » $\bar{0}$ ), les effets d'interventions soutenues (où $g$ est le régime « maintenir le traitement précédent »), et les effets directs contrôlés (en utilisant des traitements multidimensionnels).
Hypothèse d'Identification : Les auteurs proposent une hypothèse de Tendances Parallèles Conditionnelles Variables dans le Temps. Pour un régime cible $g$ $g$ , l'hypothèse stipule que, conditionnellement à l'historique observé $\bar{L}_m$ $\overset{ˉ}{L}_{m}$ et à l'historique du traitement jusqu'à $m-1$ $m - 1$ , la tendance attendue du résultat contre-factuel à partir de $m$ $m$ ne dépend pas du fait que le traitement réellement reçu à $m$ $m$ ( $A_m$ $A_{m}$ ) aurait été assigné sous $g$ $g$ .
- Formellement : $E[Y_k(\bar{a}_{m-1}, g_m) - Y_{k-1}(\bar{a}_{m-1}, g_m) | \bar{A}_m = \bar{a}_m, \bar{L}_m] = E[Y_k(\bar{a}_{m-1}, g_m) - Y_{k-1}(\bar{a}_{m-1}, g_m) | \bar{A}_m = (\bar{a}_{m-1}, g_m(\bar{L}_m, \bar{a}_{m-1})), \bar{L}_m]$ .
- Crucialement, cette hypothèse se conditionne sur l'historique observé du traitement jusqu'à $m-1$ et l'historique des covariables, évitant ainsi de se conditionner sur le futur traitement (par exemple, les groupes « jamais traités ») ce qui rend souvent les hypothèses de DiD standard peu plausibles en présence de variables de confusion variables dans le temps.

Stratégie d'Estimation

L'article fournit des estimateurs multiples robustes pour les paramètres des SNMM paramétriques :

G-Estimation : Les auteurs construisent des équations d'estimation basées sur la propriété selon laquelle, sous l'hypothèse de tendances parallèles, une fonction de résultat spécifique « réduite par sursaut » (blipped-down) $H_{mk}(\gamma)$ se comporte comme le résultat contre-factuel en ce que sa tendance conditionnelle est indépendante de $A_m$ .
Estimateurs Doublement Robustes (DR) : L'article propose des estimateurs cross-fit DR-ML. Ces estimateurs restent cohérents si soit le modèle du mécanisme d'assignation du traitement (score de propension), soit le modèle de la tendance du résultat (fonction de nuisance) est correctement spécifié. Cela permet l'utilisation d'algorithmes d'apprentissage automatique flexibles pour estimer les paramètres de nuisance.
Régimes Optimaux : Sous l'hypothèse plus forte que les tendances parallèles tiennent pour tous les régimes et que les facteurs de confusion inobservés ne modifient pas les effets (modification d'effet), les auteurs montrent comment identifier et estimer des régimes de traitement dynamiques optimaux (A-learning) en utilisant les SNMM.

Analyse de Sensibilité

Reconnaissant que les tendances parallèles sont invérifiables, les auteurs adaptent les méthodes d'analyse de sensibilité pour les SNMM. Ils introduisent une fonction de biais $c^g_{mk}$ pour quantifier les écarts par rapport à l'hypothèse de tendances parallèles. En spécifiant une plage de fonctions de biais plausibles, les analystes peuvent produire une plage d'estimations d'effets plausibles, permettant une analyse de sensibilité de l'hétérogénéité des effets et des quantités dérivées.

3. Contributions Clés

Identification des SNMM sous Tendances Parallèles : La principale contribution théorique est de prouver que les SNMM, auparavant connus uniquement sous l'absence de confusion inobservée, sont identifiables sous une hypothèse de tendances parallèles modifiée. Cela comble le fossé entre la littérature DiD et la littérature SNMM.
Étendue des Estimands : Les résultats permettent aux praticiens d'estimer un ensemble plus large de questions causales sous l'hypothèse de tendances parallèles, notamment :
- L'hétérogénéité des effets variables dans le temps (par exemple, comment les effets de l'expansion de Medicaid varient selon le taux de chômage).
- Les effets durables d'un seul « sursaut » de traitement (par exemple, l'impact d'une inondation unique sur la souscription future à une assurance).
- Les effets d'interventions soutenues où les valeurs du traitement changent de façon répétée.
- Les effets de traitements à valeurs continues sans base commune (par exemple, les changements de température sur les rendements agricoles).
- Les effets directs contrôlés (par exemple, les effets de l'expansion de Medicaid faisant abstraction des changements de salaire minimum).
- Les régimes de traitement dynamiques optimaux.
Avancées Méthodologiques : L'article fournit des estimateurs multiples robustes pratiques (incluant le cross-fit DR-ML) et un cadre d'analyse de sensibilité qui prend en compte les covariables variables dans le temps et l'hétérogénéité des effets.
Critique des Hypothèses DiD Existantes : Les auteurs soutiennent que leur proposition d'hypothèse de tendances parallèles est plus plausible que les hypothèses standard de « jamais traité » ou « pas encore traité » en présence de variables de confusion variables dans le temps. Les hypothèses standard se conditionnent souvent sur des valeurs de traitement futures, ce qui peut induire un biais si les covariables sont des variables de confusion variables dans le temps.

4. Résultats et Applications

L'article valide la méthodologie à travers trois applications sur des données réelles :

Expansion de Medicaid (Adoption Échelonnée) : Estimation de l'effet de l'expansion de Medicaid sur les taux de non-assurance au niveau du comté. Le SNMM a permis aux auteurs de modéliser comment l'effet varie selon le chômage et la population au niveau du comté, trouvant que l'expansion était plus impactante dans les comtés avec un chômage élevé et une faible population.
Inondations et Assurances (Effets de Sursaut) : Analyse de l'impact durable d'une inondation unique sur la souscription à l'assurance contre les inondations. Le modèle a estimé une poussée initiale de souscription suivie d'un déclin marqué, la poussée étant plus importante pour les inondations les plus récentes.
Température et Rendements Agricoles (Traitement Soutenu/Continu) : Réanalyse de la relation entre les « jours de croissance degré » (GDD) et les profits agricoles. Contra�re aux DiD standards, qui peinent avec les traitements continus manquant d'une base commune et de changements répétés, le SNMM a estimé les effets de changements soutenus de GDD, trouvant que les effets étaient plus importants lorsque l'augmentation était soutenue plus longtemps et dans les comtés ayant un niveau de GDD pré-augmentation plus élevé.

5. Signification et Revendications

L'article affirme que l'utilisation des SNMM sous les hypothèses de tendances parallèles est une stratégie fructueuse qui élargit la portée de l'inférence causale dans les études observationnelles.

Pour les Praticiens de DiD : Elle offre un moyen de traiter des questions de fond (hétérogénéité, effets soutenus, traitements continus) qui sont actuellement hors de portée des méthodes DiD standard, en utilisant des hypothèses d'identification similaires.
Pour les Praticiens de SNMM : Elle permet aux analystes d'estimer des effets causaux sous des conditions d'identification alternatives (tendances parallèles vs absence de confusion inobservée), facilitant la triangulation des preuves.
Contribution Théorique : L'article situe son travail au sein de la littérature sur l'apprentissage par renforcement en montrant comment les régimes dynamiques optimaux peuvent être identifiés sous les tendances parallèles (avec l'hypothèse supplémentaire de non-modification de l'effet par les variables de confusion inobservées).

Les auteurs font preuve de modestie concernant les hypothèses requises pour l'identification des régimes optimaux (notant la force de l'hypothèse de « non-modification de l'effet ») et reconnaissent que l'hypothèse de tendances parallèles reste invérifiable, nécessitant la proposition d'analyse de sensibilité. L'article conclut que bien que les conditions de tendances parallèles en présence de variables de confusion variables dans le temps soient exigeantes, le cadre proposé constitue un outil rigoureux et flexible pour l'inférence causale dans des contextes complexes et variables dans le temps.