📊 statistics

Bayesian Nonparametrics for Principal Stratification with Continuous Post-Treatment Variables

Cet article propose CASBAH, une nouvelle approche bayésienne non paramétrique permettant d'identifier des strates principales cohérentes et de quantifier l'incertitude associée dans le cadre de variables post-traitement continues, surpassant les méthodes existantes lors de simulations et d'une application sur les régulations américaines de la qualité de l'air.

Auteurs originaux : Dafne Zorzetto, Antonio Canale, Fabrizia Mealli, Francesca Dominici, Falco J. Bargagli-Stoffi

Publié 2026-03-26

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Dafne Zorzetto, Antonio Canale, Fabrizia Mealli, Francesca Dominici, Falco J. Bargagli-Stoffi

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 Titre : "Comment trier les pommes sans les couper ?" (ou plutôt, sans les trancher arbitrairement)

Imaginez que vous êtes un chef cuisinier (le chercheur) et que vous voulez tester un nouvel ingrédient magique (le traitement, par exemple une nouvelle loi sur la pollution). Vous voulez savoir si cet ingrédient rend les plats meilleurs (la santé).

Mais il y a un problème : l'ingrédient agit d'abord sur une étape intermédiaire, comme la température du four (la variable post-traitement, par exemple le niveau de pollution).

Si le four chauffe trop, le plat brûle.
Si le four ne chauffe pas assez, le plat reste cru.
Si le four ne change pas du tout, le plat reste comme avant.

Le défi, c'est que la température du four est une valeur continue (elle peut être 180,5°, 180,6°, 180,61°...). Dans le passé, les chercheurs faisaient une chose très simple mais un peu "bête" : ils disaient "Tout ce qui est au-dessus de 180°, c'est 'chaud', tout ce qui est en dessous, c'est 'froid'". C'est ce qu'on appelle dichotomiser. Mais choisir 180° plutôt que 181° est souvent arbitraire et peut fausser les résultats.

C'est là que cette nouvelle méthode, appelée CASBAH, arrive pour sauver la mise.

🧩 Le Problème : Les "Strates Principales" (Les groupes cachés)

En science, on ne peut pas voir le futur. On ne sait pas ce qui se serait passé si on avait mis le four à 200° au lieu de 180° pour le même plat. On appelle cela les contre-factuels.

Pour contourner ce problème, les chercheurs utilisent un concept appelé stratification principale. L'idée est de regrouper les plats (les personnes ou les villes) en catégories cachées basées sur la façon dont leur "four" réagirait à l'ingrédient magique :

Le groupe "Indifférent" (Dissociatif) : L'ingrédient ne change rien à la température du four.
Le groupe "Réactif positif" (Associatif) : L'ingrédient fait monter la température.
Le groupe "Réactif négatif" (Associatif) : L'ingrédient fait descendre la température.

Le but est de voir : "Est-ce que le plat est meilleur uniquement pour ceux dont le four a changé de température ?"

Le problème avec les variables continues (comme la pollution), c'est qu'il y a une infinité de façons dont le four peut changer. Comment on regroupe ces infinités de possibilités sans faire de choix arbitraires ?

🚀 La Solution : CASBAH (Le Tri Magique)

Les auteurs proposent une méthode appelée CASBAH (un nom un peu bizarre, mais qui signifie "Mélange Bayésien d'Atomes Partagés Sensibles aux Confondants").

Imaginez que vous avez un tas de balles de différentes couleurs et tailles (vos données). Au lieu de les trier avec des règles rigides ("Si la balle est rouge, elle va dans le panier A"), CASBAH utilise une intelligence artificielle probabiliste (un "Distributeur de Dirichlet Dépendant") pour trouver naturellement les groupes qui se ressemblent.

Voici comment ça marche, étape par étape :

1. Le Tri Adaptatif (Pas de règles fixes)

Au lieu de dire "Si la pollution baisse de plus de 1%, c'est le groupe A", CASBAH regarde les données et dit : "Tiens, ces 200 villes réagissent toutes de la même façon à la loi, elles forment un groupe naturel. Et ces 50 autres villes réagissent différemment, elles forment un autre groupe."
C'est comme si vous jetiez un tas de Lego sur une table et que, grâce à la gravité et à la forme des pièces, ils s'assemblaient seuls en structures cohérentes, sans que vous ayez à les coller un par un.

2. La Partage d'Atomes (La connexion secrète)

C'est la partie la plus intelligente. CASBAH suppose que les groupes cachés (les "atomes") sont les mêmes, que la ville soit traitée ou non. C'est comme si vous aviez une boîte de crayons de couleur. Que vous dessiniez un arbre (traitement) ou une maison (pas de traitement), vous utilisez les mêmes crayons. Cela permet de comparer les deux mondes (traité vs non traité) de manière très précise, même si on ne voit pas tout.

3. La Prise en compte des "Brouilleurs" (Confounders)

Parfois, ce n'est pas la loi qui change la pollution, mais le fait que la ville est déjà très polluée ou qu'il pleut beaucoup. CASBAH est "sensible aux confondants". C'est comme un détective qui sait distinguer si c'est le suspect (la loi) ou le complice (la météo) qui a laissé l'empreinte. Il ajuste automatiquement ses calculs pour ne pas se faire piéger.

🧪 Le Test : La Simulation et la Réalité

Les auteurs ont d'abord testé leur méthode sur des données inventées (des simulations).

Résultat : CASBAH a retrouvé les groupes cachés avec une précision incroyable (presque 100%), là où les anciennes méthodes se trompaient souvent ou étaient très imprécises. C'est comme si CASBAH trouvait les aiguilles dans la botte de foin, tandis que les autres méthodes ne trouvaient que des brins d'herbe.

Ensuite, ils ont appliqué la méthode à la réalité : l'impact des lois sur la qualité de l'air aux États-Unis (NAAQS) sur la pollution (PM2.5) et la mortalité.

Ce qu'ils ont découvert :

Le groupe "Réactif" (Vert) : Dans 56% des comtés, la loi a réellement fait baisser la pollution. Et devinez quoi ? Dans ces comtés, la mortalité a aussi baissé. La loi a fonctionné !
Le groupe "Indifférent" (Jaune) : Dans 32% des comtés, la loi n'a rien changé à la pollution. La mortalité n'a pas changé non plus. La loi était inutile ici.
Le groupe "Contre-productif" (Rouge) : Dans 12% des comtés, la loi a paradoxalement fait augmenter la pollution (peut-être à cause de réactions en chaîne complexes).

La leçon : Si on avait juste regardé la moyenne globale, on aurait pu dire "La loi a un petit effet positif". Mais en utilisant CASBAH, on voit que l'effet est massif là où ça marche, et nul là où ça ne marche pas. C'est la différence entre dire "Ce médicament aide un peu tout le monde" et "Ce médicament guérit ceux qui ont le virus A, mais est inutile pour ceux qui ont le virus B".

💡 En Résumé

Cette paper propose une nouvelle façon de faire de la science causale quand les données sont continues (comme la pollution, le revenu, la température).

Avant : On coupait les données en deux avec un couteau arbitraire (ex: "plus de 10$ = riche").
Maintenant (avec CASBAH) : On laisse les données s'organiser elles-mêmes en groupes naturels, en tenant compte de toutes les nuances et des facteurs externes.

C'est comme passer d'un tri manuel grossier à un tri magnétique intelligent. Cela permet de mieux comprendre pourquoi une politique fonctionne, pour qui elle fonctionne, et surtout, de ne pas gaspiller des ressources là où elle est inutile.

1. Problématique et Contexte

La stratification principale (Frangakis and Rubin, 2002) est un cadre d'inférence causale conçu pour estimer les effets d'un traitement en présence d'une variable post-traitement (ou variable intermédiaire). L'objectif est d'identifier des sous-populations (strates principales) définies par les réponses potentielles à la variable intermédiaire sous différents niveaux de traitement.

Le défi actuel : La littérature s'est principalement concentrée sur des variables post-traitement binaires, ce qui limite le nombre de strates à quatre, facilitant l'interprétation.
Le problème spécifique : Lorsque la variable post-traitement est continue, le cadre théorique induit une collection potentiellement infinie de strates principales.
- Les approches existantes tentent de résoudre ce problème soit par dichotomisation (choix arbitraire de seuils), soit par des modèles paramétriques ou semi-paramétriques restrictifs.
- Ces méthodes souffrent soit d'arbitraire (seuils), soit de rigidité (hypothèses structurelles fortes), rendant difficile l'identification de strates significatives (notamment la strate « dissociative » où le traitement n'affecte pas la variable intermédiaire) et la quantification de l'incertitude sur l'appartenance aux strates.

2. Méthodologie : Le modèle CASBAH

Les auteurs proposent une nouvelle approche bayésienne non paramétrique appelée CASBAH (Confounders-Aware SHared-atoms BAyesian mixture).

A. Fondements Théoriques

Le modèle repose sur un Processus de Dirichlet Dépendant (Dependent Dirichlet Process - DDP) avec une structure hiérarchique innovante utilisant des atomes partagés (shared atoms).

Modélisation des variables potentielles :
Pour chaque unité $i$ et chaque niveau de traitement $t \in \{0, 1\}$ , la variable post-traitement potentielle $P_i(t)$ est modélisée comme un mélange infini de noyaux (gaussiens) :
$\{P_i | x_i, t\} \sim \int K(\cdot; \psi) dG^{(t)}_{x_i}(\psi)$
où $G^{(t)}_{x_i}$ est une mesure de probabilité aléatoire dépendant des covariables $x_i$ .
Atomes Partagés (Shared Atoms) :
Contrairement aux modèles où les mélanges sont indépendants entre les traitements, CASBAH impose que les paramètres des noyaux $\{\psi_l\}$ (les atomes) soient partagés entre les deux conditions de traitement ( $t=0$ et $t=1$ ). Seuls les poids du mélange $\pi^{(t)}_l(x_i)$ varient selon le traitement et les covariables.
- Cela permet de définir les strates principales via les indicateurs latents d'affectation aux clusters $S^{(0)}_i$ et $S^{(1)}_i$ .
- La strate dissociative correspond aux unités où $S^{(0)}_i = S^{(1)}_i$ (le traitement ne change pas l'atome sous-jacent, donc pas l'espérance de la variable intermédiaire).
- Les strates associatives correspondent à $S^{(0)}_i \neq S^{(1)}_i$ .
Prise en compte des confondants :
Les poids du mélange sont modélisés via un processus de stick-breaking dépendant des covariables (via une régression probit), permettant un ajustement flexible et non paramétrique des confondants mesurés directement dans la distribution de la variable intermédiaire.
Inférence Bayésienne :
L'estimation se fait par échantillonnage de Gibbs. Le modèle impute simultanément les valeurs manquantes des variables post-traitement potentielles et les résultats principaux, tout en propagant l'incertitude sur l'appartenance aux strates à travers la distribution postérieure.

B. Contributions Clés

Identification adaptative : Pas besoin de seuils arbitraires pour définir les strates. Le modèle identifie endogènement les regroupements (coarsening) des strates à partir des données.
Probabilité non nulle de la strate dissociative : Grâce à la structure des atomes partagés, la probabilité a priori qu'une unité appartienne à la strate dissociative est strictement positive (contrairement aux modèles continus classiques où cette probabilité est nulle).
Quantification complète de l'incertitude : Le cadre fournit des intervalles de crédibilité pour les effets causaux principaux (PCE) en tenant compte de l'incertitude sur l'appartenance aux strates.

3. Résultats

A. Étude de Simulation

Les auteurs ont comparé CASBAH à deux méthodes de référence : le modèle paramétrique de Schwartz et al. (2011) et le modèle à copule de Lu et al. (2023) sur cinq scénarios de génération de données.

Imputation des données manquantes : CASBAH présente un biais médian proche de zéro pour l'estimation de $E\{P_i(1) - P_i(0)\}$ et $E\{Y_i(1) - Y_i(0)\}$ , avec des intervalles interquartiles (IQR) raisonnables.
Comparaison : Les modèles concurrents montrent des biais significatifs (jusqu'à -1.98 pour Schwartz et al.) et une plus grande variabilité. Le modèle de Lu et al. ne parvient pas à estimer correctement la distribution des résultats potentiels.
Identification des strates : L'indice de Rand ajusté (ARI) est très élevé (moyenne > 0.91), confirmant que CASBAH identifie correctement la structure des strates.
Effets causaux : Les estimations des effets causaux principaux ( $\tau_0, \tau_+, \tau_-$ ) sont précises et proches des valeurs vraies, contrairement aux méthodes de comparaison qui échouent à identifier les strates selon la définition théorique.

B. Application Empirique : Qualité de l'air et Santé

Le modèle est appliqué à l'étude de l'impact de la révision des Normes de Qualité de l'Air Ambiant (NAAQS) de 2005 aux États-Unis sur les niveaux de PM2.5 et la mortalité (2010-2016).

Données : 384 comtés de l'Est des États-Unis. Traitement : désignation « non-atteinte » (nécessitant un plan de mise en conformité) vs « atteinte ».
Résultats de la stratification :
- Strate dissociative (32%) : Les plans environnementaux n'ont pas modifié significativement les niveaux de PM2.5.
- Strate associative négative (56%) : Les niveaux de PM2.5 ont diminué significativement (-1.09 µg/m³).
- Strate associative positive (12%) : Les niveaux de PM2.5 ont augmenté (0.50 µg/m³), probablement dû à des facteurs locaux ou des effets de rebond.
Effets sur la mortalité :
- Une réduction significative de la mortalité ajustée en âge est observée uniquement dans la strate associative négative (réduction de 8.12‰).
- Aucune réduction significative n'est observée dans les strates dissociative ou associative positive.
Caractérisation des strates :
- Les strates où la pollution a augmenté ou n'a pas changé sont composées de comtés ruraux, avec des revenus plus faibles, une population plus âgée, et des taux de tabagisme plus élevés.
- La strate où la pollution a diminué correspond à des zones urbaines denses, plus éduquées et plus riches.

4. Signification et Conclusion

L'article démontre que l'approche CASBAH surmonte les limitations des méthodes traditionnelles pour la stratification principale avec des variables continues.

Avantage méthodologique : Elle élimine le besoin de choix subjectifs de seuils et fournit une inférence causale robuste en intégrant l'incertitude de l'appartenance aux strates.
Impact pratique : Dans l'étude de cas, elle révèle une hétérogénéité causale cruciale : les politiques de réduction de la pollution ne sont efficaces pour réduire la mortalité que là où elles parviennent effectivement à réduire la pollution. Les analyses agrégées masqueraient cette nuance.
Perspectives : Les auteurs suggèrent d'étendre le modèle à des traitements continus, des modèles de résultats non linéaires plus complexes, et des cadres de survie.

En résumé, CASBAH offre un cadre flexible, interprétable et statistiquement rigoureux pour l'analyse causale dans des contextes complexes où les variables intermédiaires sont continues.