📊 statistics

Partial Identification of Causal Effects Using Proxy Variables

Cet article propose des méthodes d'identification partielle qui exploitent des variables de substitution pour dériver des bornes sur les effets causaux en présence de confusion non mesurée, contournant ainsi la nécessité de conditions de complétude empiriquement invérifiables requises pour l'identification ponctuelle.

Auteurs originaux : AmirEmad Ghassami, Yunshu Zhang, Ilya Shpitser, Eric Tchetgen Tchetgen

Publié 2026-08-06

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : AmirEmad Ghassami, Yunshu Zhang, Ilya Shpitser, Eric Tchetgen Tchetgen

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 soyez un détective tentant de résoudre un mystère : une action spécifique a-t-elle causé un résultat spécifique ? Dans le monde de la science, cela s'appelle déterminer les « effets causaux ». Habituellement, les détectives s'appuient sur une scène de crime parfaite où ils peuvent voir chaque indice. En statistiques, cela signifie disposer d'une liste complète de tous les facteurs qui pourraient influencer à la fois l'action et le résultat. Si vous avez cette liste, vous pouvez affirmer avec confiance : « Ceci a causé cela. »

Mais la vie réelle est désordonnée. Souvent, il y a des « méchants cachés » — des facteurs que nous ne pouvons ni voir ni mesurer — qui viennent fausser les indices. Ce sont ce qu'on appelle les « variables de confusion inobservées ». Peut-être que le niveau de stress caché d'une personne la rend à la fois plus susceptible de prendre un médicament et plus susceptible de tomber malade. Si vous ignorez l'existence du stress, vous pourriez à tort accuser le médicament. Pendant longtemps, les scientifiques ont pensé que si l'on ne pouvait pas voir le méchant caché, on était coincé. On ne pouvait pas résoudre le mystère.

Puis, une nouvelle idée appelée « inférence causale proximale » est arrivée. C'est comme dire : « D'accord, nous ne pouvons pas voir le méchant caché, mais nous avons peut-être une ombre ou une empreinte de pas à proximité qui nous en dit quelque chose sur lui. » Ces « empreintes » sont appelées variables de substitution (ou proxies). Si l'ombre est assez longue et détaillée, nous pouvons l'utiliser pour reconstruire la forme du méchant et résoudre l'affaire. Cependant, il y avait un piège : pour utiliser cette méthode parfaitement, l'ombre devait être un reflet parfait du méchant. Si l'ombre était floue ou incomplète, toute la méthode s'effondrait et le mystère restait irrésolu.

Cet article traite de ce qui se passe lorsque l'ombre n'est pas parfaite. Les auteurs, une équipe de statisticiens et d'informaticiens, ont réalisé que nous n'avons pas toujours besoin d'une ombre parfaite pour obtenir quelques réponses. Au lieu d'essayer de trouver la forme exacte du méchant caché (ce qui pourrait être impossible), ils ont développé une nouvelle façon de dessiner un cadre autour des réponses possibles. Ils montrent que même avec une ombre floue, nous pouvons toujours dire : « La réponse se situe certainement quelque part entre ce nombre et ce nombre. » Ils n'ont pas besoin de construire le « pont » parfait pour franchir le fossé ; ils ont juste besoin de construire une clôture solide autour de la vérité.

L'équipe a testé sa nouvelle méthode de « construction de clôture » de deux manières. Premièrement, ils ont créé des mondes fictifs dans une simulation informatique pour voir comment leurs mathématiques fonctionnaient. Ils ont découvert que leur méthode était très efficace pour capturer la vraie réponse à l'intérieur du cadre, même lorsque l'information était imparfaite. En fait, dans beaucoup de leurs scénarios fictifs, le cadre qu'ils ont construit était étonnamment serré, offrant une plage de possibilités très claire. Deuxièmement, ils ont appliqué leur méthode à un mystère médical réel impliquant des patients gravement malades dans une unité de soins intensifs. Ils voulaient savoir si une procédure spécifique (cathétérisme cardiaque droit) aidait ou nuisait aux patients. En utilisant leur nouvelle méthode avec des données provenant de plus de 5 000 patients, ils ont découvert que la procédure réduisait probablement le temps de survie des patients. Leurs résultats concordaient avec ce que d'autres scientifiques avaient trouvé en utilisant des méthodes différentes et plus exigeantes, prouvant que leur approche de la « clôture » fonctionne dans le monde réel.

Le papier ne prétend pas avoir résolu le mystère de chaque méchant caché pour toujours. Au lieu de cela, il offre un nouvel outil puissant pour les situations où les indices sont incomplets. Il nous dit que même quand nous ne pouvons pas identifier la réponse exacte, nous pouvons toujours restreindre les possibilités suffisamment pour prendre des décisions intelligentes et éclairées. Cela transforme un « nous ne savons pas » en un « nous savons que c'est quelque part dans cette plage », ce qui est souvent exactement ce dont nous avons besoin pour avancer.

Résumé technique : Identification partielle d'effets causaux à l'aide de variables de substitution (proxies)

Énoncé du problème
L'évaluation des effets causaux à partir de données observationnelles repose souvent sur l'hypothèse d'échangeabilité conditionnelle, qui exige que toutes les causes communes du traitement et du résultat soient observées. En présence de variables de confusion non observées, cette hypothèse est violée. Le cadre d'inférence causale proximale, introduit par Tchetgen Tchetgen et al. (2020), remédie à cela en utilisant des variables de substitution pour les variables de confusion non observées afin d'obtenir une identification ponctuelle. Cependant, ce cadre nécessite généralement une « condition de complétude », garantissant que les variables de substitution capturent toutes les sources de variation des variables de confusion non observées. Cette condition est non testable et échoue souvent dans les contextes pratiques, particulièrement lorsqu'un seul type de substitut est disponible ou lorsque les substituts sont insuffisamment riches. Par conséquent, l'identification des « fonctions de pont » nécessaires (solutions d'équations intégrales impliquant des variables non observées) devient impossible, rendant l'identification ponctuelle des effets causaux irréalisable.

Méthodologie
Cet article propose un cadre d'identification partielle qui ne repose pas sur les conditions de complétude ni sur l'identification ponctuelle des fonctions de pont. Les auteurs établissent des bornes sur les paramètres causaux (spécifiquement l'Effet Moyen du Traitement (ATE) et l'Effet du Traitement sur les Traités (ETT)) en utilisant des variables de substitution sous des hypothèses plus faibles.

La méthodologie est développée à travers trois contextes principaux :

Contextes à substitut unique :
- Substitut de confusion du résultat ( $W$ ) : Suppose que $W \perp \perp A \mid \{X, U\}$ (indépendant du traitement étant donné les variables de confusion) et l'existence d'une fonction de pont non négative $h$ reliant la moyenne du résultat potentiel à $W$ . En l'absence de complétude, les auteurs dérivent des bornes pour les moyennes de résultats potentiels conditionnelles et marginales basées sur le ratio des probabilités conditionnelles du substitut.
- Substitut de confusion du traitement ( $Z$ ) : Suppose que $Z \perp \perp Y \mid \{A, X, U\}$ (indépendant du résultat étant donné le traitement et les variables de confusion) et l'existence d'une fonction de pont $q$ reliant le rapport de vraisemblance de la variable de confusion non observée à $Z$ . Les bornes sont dérivées en utilisant l'espérance conditionnelle du résultat étant donné le substitut.
Deux substituts invalides indépendants : Le cadre est étendu aux contextes comportant deux substituts ( $W$ et $Z$ ) qui sont conditionnellement indépendants étant donnés les variables de confusion mais peuvent ne pas satisfaire aux restrictions d'exclusion strictes (c'est-à-dire qu'ils peuvent être directement associés au traitement ou au résultat). Cela permet d'obtenir des bornes valides même lorsque les substituts individuels sont « invalides » au sens traditionnel.
Médiateurs non observés : L'approche est adaptée à l'analyse de médiation et aux modèles de la porte avant (front-door) où le médiateur est non observé mais un substitut est disponible. Les auteurs fournissent des bornes d'identification partielle pour les Effets Indirects Naturels (NIE) et les Effets Directs Naturels (NDE), ainsi que pour l'ATE dans les contextes de la porte avant, sans nécessiter l'identification ponctuelle de la distribution du médiateur.

Inférence et estimation
Les bornes dérivées sont des fonctionnelles non lisses de la distribution des données observées (impliquant des opérateurs $\min$ et $\max$ ), ce qui complique l'inférence statistique standard. Pour y remédier, les auteurs :

Emploient des approximations LogSumExp (LSE) pour construire des bornes inférieures et supérieures lisses.
Dérivent les Fonctions d'Influence Efficaces (EIF) pour ces fonctionnelles de bornes lisses.
Utilisent ces EIF pour permettre des estimateurs en une étape (one-step estimators) avec une estimation analytique de la variance.
Notent que pour les estimateurs de type plug-in réguliers, les intervalles de confiance par bootstrap standard restent valides.

Résultats clés et contributions

Relâchement de la complétude : L'article démontre que les effets causaux peuvent être partiellement identifiés même lorsque la condition de complétude échoue, évitant ainsi de devoir résoudre des équations intégrales pour les fonctions de pont.
Généralisation des types de substituts : Le cadre s'adapte aux contextes avec des substituts uniques, deux substituts indépendants (même s'ils sont « invalides ») et des médiateurs non observés, élargissant l'applicabilité de l'inférence causale proximale.
Cadre d'inférence : En dérivant des EIF pour les approximations lisses des bornes, l'article fournit une base rigoureuse pour les erreurs standards analytiques et les intervalles de confiance, allant au-delà de l'inférence purement basée sur la simulation.
Performance de la simulation : Les études de simulation indiquent que les méthodes proposées produisent des intervalles de confiance à 95 % valides lorsque les hypothèses sont respectées. Notamment, la méthode « basée sur Z » (utilisant un substitut de confusion du traitement) produit souvent des bornes plus étroites que la méthode « basée sur W ». Les simulations suggèrent également une robustesse aux violations légères de l'hypothèse d'existence de la fonction de pont, avec des taux de couverture élevés même lorsque le nombre d'états du substitut est inférieur au nombre d'états de la variable de confusion non observée.
Application empirique : La méthode est appliquée au jeu de données SUPPORT pour évaluer l'effet du cathétérisme cardiaque droit (RHC) sur la survie. En utilisant deux variables de substitution différentes (PaFI et PaCO2), l'étude trouve des effets causaux négatifs du RHC sur la survie, cohérents avec la littérature antérieure utilisant des méthodes d'identification ponctuelle.

Signification
L'article affirme que sa contribution principale est d'établir que les substituts peuvent être exploités pour obtenir des bornes sur les effets causaux même lorsque l'information disponible est insuffisante pour une identification ponctuelle. En supprimant la dépendance à la condition de complétude non testable, les auteurs soutiennent que le cadre d'inférence causale proximale devient applicable dans un plus large éventail de contextes pratiques où seule une information de substitution limitée est disponible. Le développement d'approximations lisses et de fonctions d'influence efficaces permet en outre une inférence statistique robuste pour ces résultats d'identification partielle.

Articles similaires