🔢 mathematics

Sharp variance estimator and causal bootstrap in stratified randomized experiments

Cet article propose un estimateur de variance précis et deux méthodes de bootstrap causal basées sur la randomisation afin d'améliorer l'inférence en échantillons finis pour les effets moyens du traitement dans les expériences randomisées stratifiées, en palliant les limites des estimateurs de type Neyman conservateurs et des approximations normales lorsque les tailles d'échantillon sont faibles ou que les résultats sont asymétriques.

Auteurs originaux : Haoyang Yu, Ke Zhu, Hanzhong Liu

Publié 2026-05-20

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Haoyang Yu, Ke Zhu, Hanzhong Liu

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 déterminer si un nouveau médicament (Traitement) fonctionne mieux qu'un placebo (Témoin). Vous avez un groupe de personnes, mais elles ne sont pas toutes identiques. Certaines sont jeunes, d'autres âgées ; certaines vivent en ville, d'autres en ville. Pour être équitables, vous décidez de les regrouper en « quartiers » (strates) en fonction de ces similitudes avant d'attribuer le médicament. Il s'agit d'une expérience randomisée stratifiée.

Votre objectif est de mesurer l'« Effet Moyen du Traitement » (ATE) — essentiellement, de combien le médicament améliore en moyenne le bien-être des personnes.

Le problème est que, dans le monde réel, les données sont désordonnées. Parfois, la taille de l'échantillon est petite, ou les résultats sont étrangement asymétriques (comme quelques personnes obtenant des résultats extrêmement bons tandis que la plupart obtiennent des résultats moyens). Les outils statistiques traditionnels utilisés par les détectives deviennent souvent trop prudents dans ces situations. Ils construisent un « filet de sécurité » (intervalle de confiance) si large qu'il est inutile, ou ils supposent que les données suivent une courbe en cloche parfaite alors qu'elles ressemblent en réalité à une montagne déchiquetée.

Cet article présente trois nouveaux outils pour aider les détectives à obtenir une image plus nette et plus précise sans perdre leur filet de sécurité.

1. La Règle « Précise » (Estimateur de Variance Précis)

L'Ancienne Façon : Imaginez que vous essayez de deviner le poids d'un sac de pommes. L'ancienne méthode dit : « Supposons que la pomme la plus lourde possible se trouve dans le sac, juste pour être prudent. » Cela rend votre estimation du poids total très élevée, et votre « marge d'erreur » énorme. Vous finissez par dire : « Le sac pèse entre 10 et 50 livres. » C'est sûr, mais pas très utile.

La Nouvelle Façon : Les auteurs proposent un « Estimateur de Variance Précis ». Au lieu de deviner le scénario du pire cas pour chaque pomme individuelle, ils utilisent un tour de passe-passe mathématique ingénieux (basé sur le classement des pommes) pour trouver la borne supérieure sûre la plus serrée possible.

La Métaphore : C'est comme utiliser une règle qui sait exactement comment les pommes sont empilées. Elle maintient toujours le filet de sécurité, mais elle réduit la plage de « 10 à 50 livres » à quelque chose comme « 12 à 18 livres ». C'est toujours sûr, mais maintenant vous savez réellement à quoi vous avez affaire.

2. Le Voyageur Temporel « Conservateur du Rang » (Bootstrap Causal pour Groupes)

Le Problème : Même avec la règle précise, si votre échantillon est petit ou si les données sont étranges, les mathématiques de la « courbe en cloche » (Approximation Normale) peuvent échouer. C'est comme essayer de prédire la météo en utilisant une formule qui ne fonctionne que pour les journées ensoleillées, alors que vous êtes actuellement dans une tempête.

La Solution : Les auteurs introduisent un « Bootstrap Causal ».

La Métaphore : Imaginez que vous avez un jeu de cartes représentant votre expérience. L'ancienne méthode essaie de deviner la carte suivante en supposant que le jeu est infini et parfaitement mélangé. La nouvelle méthode dit : « Jouons encore et encore, mais avec exactement les mêmes cartes que nous avons, simplement mélangées différemment. »
Fonctionnement : Ils utilisent une technique appelée Imputation Conservatrice du Rang. Imaginez que vous remplissez les pièces manquantes d'un puzzle. Si vous savez que la Personne A a pris le médicament et s'est sentie super, et que la Personne B a pris le placebo et s'est sentie bien, cette méthode demande : « Et si la Personne B avait pris le médicament ? Eh bien, puisqu'elle est similaire à la Personne A en termes de rang, imaginons qu'elle se serait sentie tout aussi bien par rapport à son point de départ. »
Le Résultat : En simulant des milliers de ces scénarios « et si » en utilisant les données réelles, ils construisent une carte de l'incertitude beaucoup plus précise que l'ancienne supposition de courbe en cloche. C'est un « raffinement du second ordre », ce qui signifie qu'il corrige les petites erreurs que l'ancienne méthode manque.

3. Le Raccourci « Effet Constant » pour les Paires (Bootstrap Causal pour Paires)

Le Problème : Parfois, les expériences sont si petites que les personnes sont appariées par paires (comme des jumeaux). Dans ces « expériences appariées », la méthode « Conservatrice du Rang » décrite ci-dessus échoue. C'est comme essayer de mélanger un jeu de cartes qui ne contient que deux cartes ; il n'y a pas d'espace pour les déplacer afin de créer un nouveau scénario.

La Solution : Les auteurs proposent un deuxième type de bootstrap spécifiquement pour ces paires, basé sur l'Imputation à Effet de Traitement Constant.

La Métaphore : Imaginez que vous avez deux jumeaux. L'un prend une vitamine, l'autre non. La nouvelle méthode suppose une règle simple : « La vitamine ajoute exactement 5 points de santé à n'importe qui la prend. » Peu importe qui ils sont ; le boost est constant.
Pourquoi c'est ingénieux : Même si la vitamine n'ajoute pas réellement exactement 5 points à tout le monde dans la vie réelle, cette hypothèse permet aux mathématiques de fonctionner. Les auteurs prouvent qu'en utilisant cette idée de « boost constant » pour remplir les pièces manquantes du puzzle, le filet de sécurité résultant reste valide et est souvent beaucoup plus serré que les anciennes méthodes.

Tests Réels

Les auteurs ont testé ces outils de deux manières :

Simulations : Ils ont créé de fausses données avec toutes sortes de formes étranges (asymétriques, à queues lourdes) et ont montré que leurs nouveaux outils trouvaient la vérité plus souvent et avec des plages plus serrées que les anciens outils.
Données Réelles :
- Essai d'Arrêt du Cannabis : Ils ont analysé une étude sur l'arrêt du cannabis. Les données étaient asymétriques. Leur nouvelle méthode a donné un intervalle de confiance beaucoup plus serré que la méthode standard, rendant les résultats plus précis.
- Assurance Maladie Mexicaine : Ils ont examiné une étude où des villes étaient appariées. Les données présentaient des valeurs aberrantes (coûts très élevés). Là encore, leur méthode de bootstrap « Effet Constant » a fourni un intervalle de confiance plus efficace (plus étroit) que l'approche standard.

La Conclusion

Cet article ne prétend pas guérir des maladies ou résoudre la pauvreté. Au contraire, il fournit de meilleurs outils mathématiques pour analyser les expériences.

Si vous avez des groupes, utilisez la Règle Précise et le Voyageur Temporel Conservateur du Rang.
Si vous avez des paires, utilisez le Raccourci Effet Constant.

Ces outils permettent aux chercheurs de dire : « Nous sommes sûrs à 95 % que l'effet se situe entre X et Y », avec une plage beaucoup plus serrée et plus utile (X et Y sont plus proches) qu'auparavant, sans sacrifier la sécurité de la conclusion. Ils ont même créé un package logiciel gratuit (package R CausalBootstrap) afin que d'autres détectives puissent utiliser ces nouveaux outils.

Résumé technique : Estimateur de variance précis et bootstrap causal dans les expériences randomisées stratifiées

Énoncé du problème
Les expériences randomisées stratifiées constituent une conception standard pour l'estimation des effets de traitement, reposant sur une inférence basée sur la randomisation dans une population finie. Bien que l'estimateur de variance de type Neyman combiné à une approximation normale permette une inférence valide, il est souvent excessivement conservateur, conduisant à des intervalles de confiance larges. De plus, dans des contextes de petites tailles d'échantillon ou de résultats asymétriques, l'approximation normale peut échouer à capturer avec précision la distribution d'échantillonnage. Les méthodes de bootstrap existantes en inférence causale opèrent généralement dans un cadre de super-population, où l'aléa provient à la fois de l'échantillonnage et de l'attribution du traitement. Cependant, dans les designs de population finie où la seule source d'aléa est l'attribution du traitement, la validité et la performance de ces méthodes de bootstrap standard restent incertaines. Par ailleurs, des défis spécifiques surgissent dans les expériences appariées (strates de taille deux), où les méthodes d'imputation traditionnelles à préservation des rangs échouent à générer une distribution de bootstrap non dégénérée.

Méthodologie
Les auteurs proposent un cadre composé d'un estimateur de variance précis et de deux procédures de bootstrap causal distinctes, adaptées à l'inférence basée sur le design.

Estimateur de variance précis :
L'article introduit un estimateur de variance précis pour l'estimateur de la différence de moyennes pondérée. Cet estimateur affine l'approche de type Neyman en utilisant la borne supérieure précise pour le terme de covariance $S_{[m]Y(1),Y(0)}$ dérivée par Aronow et al. (2014). Au sein de chaque strate, l'estimateur intègre l'intégrale du produit des fonctions de distribution empiriques inverses des résultats potentiels. Les auteurs établissent la consistance de cet estimateur sous des régimes asymptotiques généraux où le nombre de strates et/ou les tailles de strates tendent vers l'infini, en utilisant une inégalité de concentration pour l'échantillonnage sans remise (Bobkov, 2004) pour dériver un théorème de type Glivenko–Cantelli.
Bootstrap causal basé sur l'imputation à préservation des rangs :
Pour résoudre les problèmes d'échantillons finis et atteindre un raffinement du second ordre, les auteurs proposent une méthode de bootstrap causal. Contrairement aux bootstraps de super-population, cette méthode traite les résultats potentiels comme fixes et rééchantillonne les attributions de traitement conformément au design expérimental original.
- Imputation : Les résultats potentiels non observés sont imputés au sein de chaque strate en utilisant une approche à préservation des rangs. Plus précisément, si une unité est observée dans le groupe de traitement, son résultat potentiel de contrôle est imputé en mappant son rang dans la distribution de traitement observée vers la distribution de contrôle (et vice versa). Cela garantit que les résultats imputés sont co-monotones, maximisant la variance de l'estimateur jusqu'à la borne supérieure précise.
- Procédure : La méthode génère des distributions de bootstrap pour les statistiques pivots en rééchantillonnant à plusieurs reprises les attributions de traitement et en calculant la différence de moyennes pondérée ainsi que l'estimateur de variance précis.
- Garantie théorique : Les auteurs prouvent que cette distribution de bootstrap offre un raffinement du second ordre par rapport à l'approximation normale, atteignant un taux de convergence de $o_P(n^{-1/2})$ par rapport à $O(n^{-1/2})$ pour l'approximation normale, sous des conditions où les tailles de strates sont suffisamment grandes (au moins deux unités traitées et deux unités de contrôle).
Bootstrap causal basé sur l'imputation à effet de traitement constant :
Reconnaissant que l'imputation à préservation des rangs échoue dans les expériences appariées (où la taille de strate est deux), les auteurs proposent une seconde méthode de bootstrap causal.
- Imputation : Les résultats potentiels non observés sont imputés en supposant un effet de traitement constant ( $\Delta = \hat{\tau}$ ) au sein de chaque paire.
- Procédure : Les attributions de traitement sont rééchantillonnées conformément au design apparié, et les statistiques pivots sont calculées en utilisant l'estimateur de variance de type Neyman pour les expériences appariées.
- Garantie théorique : La méthode est démontrée comme valide même si l'hypothèse d'effet de traitement constant ne tient pas pour les véritables résultats potentiels, reposant sur l'utilisation de statistiques étudiantes pour assurer la validité asymptotique.

Contributions clés

Estimateur de variance précis : L'article établit des résultats théoriques formels pour un estimateur de variance précis dans les expériences randomisées stratifiées, accommodant des régimes asymptotiques avec à la fois un nombre croissant de strates et des tailles de strates croissantes.
Raffinement du second ordre : Les auteurs prouvent que le bootstrap causal basé sur l'imputation à préservation des rangs offre un raffinement du second ordre par rapport à l'approximation normale dans les expériences stratifiées, fournissant des probabilités de couverture plus précises et des intervalles de confiance plus étroits dans les échantillons finis.
Solution pour les expériences appariées : Un nouveau bootstrap causal basé sur l'imputation à effet de traitement constant est proposé spécifiquement pour les expériences appariées, surmontant les problèmes de dégénérescence des méthodes à préservation des rangs dans ce contexte.
Cadre basé sur le design : L'analyse est strictement basée sur la randomisation, reposant uniquement sur l'aléa de l'attribution du traitement plutôt que sur un échantillonnage hypothétique de super-population, s'alignant sur la philosophie d'inférence basée sur le design défendue par Fisher et Neyman.

Résultats

Études de simulation : Des études numériques démontrent que l'estimateur de variance précis proposé combiné au bootstrap causal (Sharp+Bootstrap) atteint des probabilités de couverture nominales (95 %) tout en réduisant significativement les longueurs d'intervalles de confiance par rapport à l'approche traditionnelle Neyman+Normal. Les gains d'efficacité sont particulièrement prononcés dans les scénarios avec des résultats asymétriques ou de petites tailles d'échantillon.
Applications sur données réelles :
- Essai d'arrêt du cannabis : Dans un essai clinique stratifié, la méthode Sharp+Bootstrap a réduit la longueur de l'intervalle de confiance de 8,8 % par rapport à Neyman+Normal tout en maintenant une couverture valide.
- Expérience de santé publique au Mexique : Dans une expérience en grappes appariée, le bootstrap à effet de traitement constant a réduit la longueur de l'intervalle de 16,1 % par rapport à l'approximation normale, démontrant une performance supérieure en présence de résultats asymétriques et de valeurs aberrantes.

Signification
L'article affirme que les méthodes proposées améliorent la fiabilité et l'efficacité de l'inférence causale dans des designs expérimentaux complexes. En fournissant un estimateur de variance précis et des procédures de bootstrap causal valides opérant strictement dans le cadre de la population finie, les auteurs offrent des outils robustes à la mauvaise spécification du modèle et performants dans les échantillons finis où les approximations normales peuvent échouer. La disponibilité d'un package R (CausalBootstrap) facilite l'application pratique de ces méthodes. Ce travail comble une lacune dans la littérature concernant les propriétés théoriques des bootstraps causaux dans les designs stratifiés et appariés, offrant une alternative rigoureuse à l'inférence basée sur la super-population.

1. La Règle « Précise » (Estimateur de Variance Précis)

2. Le Voyageur Temporel « Conservateur du Rang » (Bootstrap Causal pour Groupes)

3. Le Raccourci « Effet Constant » pour les Paires (Bootstrap Causal pour Paires)

Tests Réels

La Conclusion

Articles similaires