📈 economics

Heterogeneous Treatment Effects and Causal Mechanisms

Cet article démontre que l'existence d'effets de traitement hétérogènes ne peut valider l'activation d'un mécanisme causal sans hypothèses d'exclusion supplémentaires, et que leur absence ne permet pas de conclure à l'inactivité du mécanisme.

Auteurs originaux : Jiawei Fu, Tara Slough

Publié 2026-04-08

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Jiawei Fu, Tara Slough

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

🕵️‍♂️ Le Détective et le Miroir Déformant : Pourquoi les "Effets Différents" ne disent pas toujours la vérité

Imaginez que vous êtes un détective. Vous avez prouvé qu'un suspect (appelons-le le Traitement) a commis un crime (a changé un résultat). Mais la question est : comment a-t-il fait ? Est-ce par la force brute ? Par la ruse ? Ou par la peur ?

En science politique et en économie, les chercheurs utilisent souvent une méthode appelée Hétérogénéité des Effets du Traitement (HTE). C'est un peu comme regarder si le suspect a eu un effet différent selon le quartier où il a agi.

Exemple : "Le suspect a fait paniquer les gens du quartier A, mais pas ceux du quartier B. Donc, il doit avoir utilisé un mécanisme spécifique (comme la peur) qui fonctionne mieux dans le quartier A."

L'article de Fu et Slough nous dit : "Attention ! Votre détective est en train de se faire piéger par des miroirs déformants."

Voici les trois grandes leçons de l'article, expliquées avec des analogies.

1. Le piège du "Miroir Déformant" (La transformation des données)

C'est le point le plus important et le plus surprenant de l'article.

Imaginez que vous mesurez la température (c'est le résultat réel, la "vérité"). Si vous mettez un thermomètre dans l'eau chaude, il monte. Si vous le mettez dans l'eau froide, il descend. C'est simple et linéaire.

Mais maintenant, imaginez que vous ne mesurez pas la température directement, mais que vous demandez aux gens : "Avez-vous chaud ?" (Oui/Non).

À 30°C, tout le monde dit "Oui".
À 10°C, tout le monde dit "Non".
Mais à 20°C, c'est la zone grise. Certains disent "Oui", d'autres "Non".

Si vous regardez les réponses "Oui/Non", vous allez voir des différences bizarres selon les gens. Peut-être que les gens du quartier A (qui ont la peau plus sensible) disent "Oui" à 20°C, tandis que ceux du quartier B disent "Non".

Le problème : Vous pourriez conclure à tort que le suspect utilise un mécanisme spécial pour le quartier A. En réalité, c'est juste parce que vous avez transformé une mesure précise (la température) en une réponse binaire (Oui/Non).

La leçon : Si vous changez la façon dont vous mesurez le résultat (par exemple, transformer une note sur 10 en un vote "Gagné/Perdu"), vous créez artificiellement des différences qui n'existent pas dans la réalité. Vous ne pouvez plus faire confiance à vos indices pour trouver le "mécanisme" réel.

2. Le test de l'absence de preuve (Ce que le silence ne dit pas)

Les chercheurs pensent souvent :

Si je vois une différence entre les groupes ➔ Le mécanisme est actif. ✅
Si je ne vois aucune différence entre les groupes ➔ Le mécanisme est inactif (ou n'existe pas). ❌

Les auteurs disent : C'est faux pour la deuxième partie.

L'analogie du détective silencieux :
Imaginez que vous cherchez un espion dans une foule.

Si vous voyez l'espion faire un signe secret à un ami, vous savez qu'il est actif.
Mais si vous ne voyez aucun signe, cela ne veut pas dire qu'il n'est pas là.
- Peut-être qu'il est là, mais qu'il est si discret que tout le monde réagit pareil (tout le monde est aussi froid ou aussi chaud).
- Peut-être que le mécanisme fonctionne, mais de la même manière pour tout le monde.
- Ou peut-être que vous avez mal choisi votre "détective" (votre variable de mesure).

La leçon : L'absence de différence ne prouve pas que le mécanisme est mort. Cela prouve juste que vous ne pouvez pas le voir avec votre outil actuel. Ne concluez pas trop vite qu'un mécanisme n'existe pas juste parce que vous ne voyez pas de différences.

3. La règle d'or : "Un seul suspect par pièce"

Pour que votre test fonctionne, vous devez être sûr que votre "quartier" (votre variable de mesure, comme l'âge ou le parti politique) n'influence qu'un seul mécanisme.

L'analogie du cocktail :
Imaginez que vous essayez de goûter le goût du citron dans un cocktail.

Si vous ajoutez du citron à un verre d'eau, vous sentez le citron.
Mais si vous ajoutez du citron à un verre qui contient déjà du sucre, du sel, du poivre et de la menthe, et que vous changez la quantité de citron, vous ne saurez jamais si le goût change à cause du citron ou parce que le sucre réagit différemment avec le sel.

En science, si votre variable (ex: l'opinion politique) influence à la fois la "peur" ET la "colère" en même temps, vous ne pourrez jamais savoir laquelle des deux est la vraie cause du changement.

La leçon : Pour utiliser les différences entre les groupes comme preuve, vous devez être absolument certain que votre variable ne touche qu'un seul mécanisme à la fois. C'est une hypothèse très forte et souvent difficile à prouver.

📝 En résumé : Que doivent faire les chercheurs (et nous) ?

Soyez prudents avec les mesures binaires : Si vous transformez des données complexes en "Oui/Non" ou "Gagné/Perdu", vous risquez de créer de fausses différences qui vous trompent sur le "comment" et le "pourquoi".
Ne soyez pas trop confiants quand rien ne bouge : L'absence de différence n'est pas une preuve d'inactivité. Cela peut juste signifier que le mécanisme est universel ou que votre test est mal calibré.
Dites ce que vous supposez : Les chercheurs doivent être honnêtes sur leurs hypothèses. Ils doivent dire : "Je suppose que cette variable ne touche qu'un seul mécanisme." Sans cette clarification, leurs conclusions sont fragiles.

Le mot de la fin :
Utiliser les différences entre les groupes pour comprendre comment les choses fonctionnent est comme essayer de lire un livre en regardant seulement les ombres projetées sur le mur. Parfois, l'ombre vous dit la vérité, mais souvent, elle est déformée par la lumière, l'angle ou le mur lui-même. Il faut être très prudent avant de conclure que l'ombre raconte toute l'histoire.

1. Problématique et Contexte

La « révolution de la crédibilité » en sciences sociales a permis d'identifier et d'estimer avec rigueur les effets causaux des traitements. Cependant, comprendre quels mécanismes sous-tendent ces effets reste un défi majeur.

Pratique dominante : La majorité des études quantitatives en sciences politiques (environ 46 % des articles récents dans les trois principaux journaux du domaine) utilisent les effets de traitement hétérogènes (HTE) pour inférer l'activation de mécanismes causaux. La logique implicite est la suivante : si l'effet d'un traitement varie selon un pré-traitement (modérateur), cela indique que le mécanisme théorique est activé différemment selon les unités.
Le problème : Les auteurs soulignent que la fondation théorique de cette pratique est lacunaire. L'usage des HTE pour tester des mécanismes repose sur des hypothèses souvent implicites et non vérifiées. L'article démontre que cette approche est fréquemment trompeuse : l'absence d'hétérogénéité ne prouve pas l'inertie d'un mécanisme, et la présence d'hétérogénéité peut être un artefact de la mesure plutôt que de la causalité.

2. Méthodologie et Cadre Théorique

Les auteurs développent un cadre formel basé sur le modèle des résultats potentiels (Neyman-Rubin) et l'étendent pour intégrer l'analyse de médiation causale.

A. Définitions et Structure

HTE et CATE : Ils formalisent les HTEs comme des différences dans les Effets Moyens Conditionnels de Traitement (CATE) selon les niveaux d'une covariable pré-traitement $X_k$ .
Décomposition des effets : Le traitement total ($TE$) est décomposé en effet direct ($DE$) et effets indirects ($IE$) via des médiateurs (mécanismes) $M_1, M_2, \dots$ .
Lien HTE-Mécanisme : L'objectif est de déterminer quand une différence de CATEs ( $\Delta CATE$ ) identifie une différence dans l'effet indirect moyen conditionnel ( $\Delta AIE$ ) d'un mécanisme spécifique.

B. Hypothèses d'Identification (Exclusion)

Pour qu'un HTE soit interprétable comme la preuve de l'activation d'un mécanisme $M_1$ , deux hypothèses d'exclusion sont nécessaires :

Hypothèse d'exclusion I : La covariable modératrice $X_k$ ne modère pas l'effet direct du traitement.
Hypothèse d'exclusion II : La covarible $X_k$ ne modère pas les effets indirects des autres mécanismes ( $M_2, \dots$ ).

Si ces hypothèses sont violées (par exemple, si $X_k$ affecte plusieurs mécanismes ou l'effet direct), l'hétérogénéité observée ne peut pas être attribuée de manière unique au mécanisme d'intérêt.

C. Le concept de Variable Détectrice de Mécanisme (MDV)

Les auteurs introduisent la notion de Mechanism Detector Variable (MDV) : une covariable qui prédit une activation plus forte d'un mécanisme ou un effet plus fort de ce mécanisme sur le résultat.

Si $X_k$ est une MDV, alors les effets indirects conditionnels varient selon $X_k$ .
La présence de HTEs pour une MDV valide l'activation du mécanisme pour au moins une unité.

D. Le problème de la transformation des résultats

Un apport crucial de l'article est l'analyse de l'impact des transformations non linéaires des variables de résultat (ex: passage d'une utilité continue à un choix binaire, échelles de Likert, censure, logarithmes).

Les auteurs montrent que même si les hypothèses d'exclusion sont satisfaites pour le résultat latent $Y$ , elles sont généralement violées pour le résultat transformé $\tilde{Y} = h(Y)$ .
Cela génère artificiellement de l'hétérogénéité (ou masque l'hétérogénéité réelle) sans que cela reflète une variation dans l'activation du mécanisme sous-jacent.

3. Résultats Principaux

Les auteurs classent les inférences possibles en quatre cas, selon la présence d'HTEs et le type de résultat mesuré :

Cas	Type de résultat	Présence d'HTEs ?	Inférence sur le mécanisme
1	Résultat non transformé ( $Y$ )	Oui	Inférence valide : Le mécanisme est actif pour au moins une unité (sous réserve des hypothèses d'exclusion).
2	Résultat non transformé ( $Y$ )	Non	Non informatif : L'absence d'HTEs ne prouve pas que le mécanisme est inactif. Cela peut signifier : (a) la théorie est mal spécifiée (la covariable n'est pas une MDV), (b) le mécanisme est actif mais produit le même effet pour tous, ou (c) le mécanisme est inerte.
3	Résultat transformé ( $\tilde{Y}$ )	Oui	Non informatif : L'hétérogénéité peut être un artefact de la transformation non linéaire. On ne peut pas conclure à l'activation du mécanisme.
4	Résultat transformé ( $\tilde{Y}$ )	Non	Non informatif : L'absence d'HTEs ne permet pas de rejeter l'activation du mécanisme.

Résultat clé : Il existe une asymétrie fondamentale. La présence d'HTEs (sur un résultat non transformé et sous hypothèses d'exclusion) est une condition suffisante pour affirmer l'activation d'un mécanisme, mais l'absence d'HTEs n'est jamais une condition suffisante pour l'invalider.

4. Étude de Cas et Applications

Les auteurs appliquent leur cadre à quatre études empiriques récentes sur la relation entre la révélation de corruption et le vote, en examinant le rôle de l'affiliation partisane comme modérateur.

Ils montrent comment différentes spécifications théoriques (mécanisme unique de « dégoût de la corruption » vs mécanismes multiples incluant la coordination électorale) changent la validité des hypothèses d'exclusion.
Ils démontrent que dans les études mesurant le choix de vote (résultat binaire transformé), l'hétérogénéité observée selon la partisane est souvent un artefact mathématique (effets de plancher et de plafond) plutôt qu'une preuve de biais motivé ou de réalignment idéologique.

5. Contributions et Implications

Contributions Théoriques

Cadre formel : Première analyse théorique rigoureuse reliant les HTEs aux mécanismes causaux, clarifiant les conditions d'identification.
Critique de la mesure : Mise en évidence du fait que le choix de la variable de résultat (notamment les transformations non linéaires) peut invalider les tests de mécanismes basés sur les HTEs.
Comparaison avec la médiation : Démonstration que les hypothèses requises pour les HTEs (exclusion) ne sont ni plus fortes ni plus faibles que l'ignorabilité séquentielle requise pour l'analyse de médiation classique, mais qu'elles permettent d'éviter la mesure directe des médiateurs.

Recommandations pour la Recherche

Spécification théorique : Les chercheurs doivent explicitement justifier que leurs modérateurs ne modèrent pas d'autres mécanismes ni l'effet direct (hypothèses d'exclusion).
Choix des résultats : Privilégier les mesures de résultats qui préservent la séparabilité additive des effets (ex: utilité latente, scores continus) plutôt que les choix binaires transformés pour tester des mécanismes.
Interprétation prudente : Ne jamais conclure à l'inertie d'un mécanisme sur la seule base de l'absence d'HTEs.
Utilisation de multiples MDV : Mesurer plusieurs variables candidates pour un même mécanisme permet de distinguer une mauvaise spécification théorique de l'inertie réelle du mécanisme.

6. Signification

Cet article remet en question une pratique omniprésente en sciences politiques et sociales. Il avertit que l'utilisation des HTEs comme « test de mécanisme » est souvent trompeuse si les hypothèses d'exclusion et la nature de la mesure des résultats ne sont pas rigoureusement considérées.

L'article ne rejette pas l'usage des HTEs, mais invite à une utilisation plus nuancée :

Les HTEs sont excellents pour affirmer l'existence d'un mécanisme (quand les conditions sont réunies).
Ils sont inutiles pour rejeter un mécanisme.
Ils doivent être utilisés avec une grande prudence sur les résultats transformés (choix binaires, échelles ordinales).

En somme, Fu et Slough appellent à une plus grande rigueur dans la conception des études et l'interprétation des résultats, suggérant que la simple détection d'interactions statistiques ne suffit pas à élucider le « comment » et le « pourquoi » des effets causaux sans un cadre théorique et des hypothèses de mesure explicites.