📈 economics

Testing identification in mediation and dynamic treatment models

Cet article propose et valide un test statistique basé sur l'apprentissage automatique pour vérifier les hypothèses d'identification des effets causaux dans les modèles de médiation et de traitement dynamique, ce qui est démontré par des simulations et une application aux données du marché du travail slovaque.

Auteurs originaux : Martin Huber, Kevin Kloiber, Lukas Laffers

Publié 2026-06-08

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Martin Huber, Kevin Kloiber, Lukas Laffers

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 programme de formation spécifique aide réellement les gens à trouver un emploi. Vous avez le pressentiment que le programme fonctionne, mais vous ne pouvez pas simplement regarder les données et dire : « Aha ! Ça a marché ! », car il se peut que les personnes qui se sont inscrites au programme étaient déjà plus motivées, plus intelligentes ou avaient de meilleurs contacts que celles qui ne l'ont pas fait. Dans le monde des statistiques, nous appelons ces facteurs cachés des « variables de confusion » (confounders), et ils rendent la preuve de la relation de cause à effet très difficile.

Ce document présente un nouveau « test de détection de mensonges » pour les chercheurs. Il les aide à vérifier si leurs hypothèses sur la relation de cause à effet tiennent réellement la route, ou s'ils ne font que deviner.

Voici comment le document le décompose, en utilisant des analogies simples :

La configuration : Le camp d'entraînement et l'emploi

Imaginez qu'un chercheur d'emploi passe par un processus en deux étapes :

Étape 1 (Le traitement) : Il suit une « Pratique de Diplômé » (appelons cela D).
Étape 2 (Le médiateur) : Après cela, il peut recevoir un second coup de pouce, comme une « Incitation à l'embauche » ou un emploi subventionné (appelons cela M).
Le résultat : Enfin, on voit s'il obtient un emploi (Y).

Les chercheurs veulent savoir : la première formation a-t-elle aidé directement ? L'a-t-elle aidé en l'amenant vers le second programme ? Ou est-ce le second programme qui a fait tout le travail ?

Le problème : La « main cachée »

Habituellement, les chercheurs supposent que si l'on contrôle tout ce qui est visible (comme l'âge, l'éducation et l'historique professionnel passé), la décision de rejoindre le programme est aléatoire. Mais et s'il y avait une « main cachée » (des facteurs non observés) poussant à la fois la décision de rejoindre le programme et la chance d'obtenir un emploi ? Si cette main cachée existe, toute l'étude est biaisée.

La solution : Le test du « projecteur »

Les auteurs proposent un test qui utilise deux outils spéciaux appelés Instruments (appelons-les Z1 et Z2).

Considérez ces instruments comme des projecteurs ou des interrupteurs aléatoires qui influencent la participation à la formation, mais uniquement à travers la formation elle-même.

Z1 est un projecteur qui rend plus probable l'entrée dans la première formation (D).
Z2 est un projecteur qui rend plus probable l'entrée dans le second programme (M).

La règle d'or du test : Ces projecteurs ne doivent jamais toucher le résultat final (obtenir un emploi) directement. Ils ne peuvent influencer le résultat qu'en poussant la personne vers les programmes de formation.

Comment le test fonctionne

Les chercheurs vérifient trois choses pour voir si les « projecteurs » se comportent correctement :

Le premier projecteur (Z1) affecte-t-il le résultat de l'emploi directement ?
- Le test : Si nous connaissons qui a suivi la première formation et nous connaissons leur parcours, le projecteur (Z1) prédit-il encore l'obtention d'un emploi ?
- La réponse : Il ne le devrait pas. Si Z1 prédit l'emploi même après avoir pris en compte la formation, alors Z1 est un « mauvais projecteur » (il triche).
Le premier projecteur (Z1) affecte-t-il le second programme (M) directement ?
- Le test : Si nous connaissons le parcours d'une personne et sa première formation, le projecteur (Z1) prédit-il encore le second programme ?
- La réponse : Il ne le devrait pas. Z1 doit seulement l'amener à la première étape, pas à la seconde.
Le second projecteur (Z2) affecte-t-il le résultat de l'emploi directement ?
- Le test : Si nous connaissons la première formation, le second programme et le parcours de la personne, le second projecteur (Z2) prédit-il encore l'emploi ?
- La réponse : Il ne le devrait pas. Z2 ne doit influencer que la seconde étape, pas le résultat final.

Si les données réussissent ces trois tests, cela suggère que la « main cachée » ne perturbe pas les choses, et que les chercheurs peuvent faire confiance à leurs conclusions sur la relation de cause à effet. Si le test échoue, c'est un signal d'alarme indiquant que les hypothèses des chercheurs sont erronées.

Le moteur de « l'apprentissage automatique » (Machine Learning)

Parce que les données réelles sont désordonnées et possèdent des milliers de variables (comme 264 détails différents sur un chercheur d'emploi), les auteurs utilisent l'Apprentissage Automatique pour mener ce test. Considérez l'Apprentissage Automatique comme un assistant super intelligent capable de jongler avec toutes ces variables à la fois pour voir si les « projecteurs » sont réellement indépendants du résultat final.

Le test en conditions réelles : La Slovaquie

Les auteurs ont appliqué leur test au monde réel en utilisant des données de Slovaquie. Ils ont observé de jeunes chômeurs qui ont suivi une séquence de programmes gouvernementaux :

D'abord, une « Pratique de Diplômé » (formation).
Ensuite, des « Incitations à l'Emploi » (emplois subventionnés).

Ils ont utilisé la disponibilité locale de ces programmes dans différents bureaux gouvernementaux comme leurs « projecteurs ». (Par exemple, si un bureau local avait beaucoup de places disponibles l'année dernière, il est plus probable qu'une personne puisse y accéder cette année, par le simple fait de sa localisation).

Le résultat : Le test n'a pas rejeté leurs hypothèses. Cela signifie que les données semblaient propres ; les « projecteurs » semblaient fonctionner correctement, et les chercheurs pouvaient affirmer avec confiance que la participation aux deux programmes augmentait les chances d'obtenir un emploi d'environ 8,5 %.

L'essentiel à retenir

Ce document n'invente pas une nouvelle façon de calculer l'effet d'un programme. Au lieu de cela, il invente un contrôle de qualité. Il donne aux chercheurs un moyen de dire : « Nous avons vérifié nos hypothèses à l'aide de ces variables spéciales, et elles ont réussi le test, donc nos résultats sont probablement dignes de confiance. » Si le test échoue, il les avertit : « Stop ! Vos hypothèses sont brisées, et vos résultats pourraient être faux. »

Résumé technique : Test de l'identification dans les modèles de médiation et de traitement dynamique

Énoncé du problème
Dans l'analyse de la médiation causale, l'évaluation des traitements dynamiques et les modèles de sélection d'échantillon, l'identification des effets causaux (tels que les effets directs, indirects ou conjoints) repose généralement sur l'hypothèse d'ignorabilité séquentielle. Cette hypothèse postule que, conditionnellement aux covariables observées, le traitement et le médiateur (ou un indicateur de sélection) sont exogènes, ce qui signifie qu'ils ne sont pas confondus par des variables inobservées. Cependant, cette hypothèse est invérifiable dans les données observationnelles standards et est souvent controversée, car on ne peut exclure définitivement la présence de facteurs de confusion inobservés. Bien que la littérature antérieure ait proposé des tests pour l'identification d'effets de traitement uniques à l'aide d'instruments, il existe un manque de méthodes pour tester conjointement les hypothèses d'identification dans les modèles impliquant des traitements séquentiels, des médiateurs ou une sélection d'échantillon.

Méthodologie
Les auteurs proposent un cadre de test qui étend les travaux de Huber et Kueck (2022) des modèles à traitement unique vers des contextes avec assignation séquentielle d'un traitement ( $D$ ) et d'un médiateur ( $M$ ), ou d'un indicateur de sélection. L'approche repose sur deux ensembles de variables observées : des covariables ( $X$ ) à contrôler et des instruments suspectés ( $Z_1$ pour $D$ , et $Z_2$ pour $M$ ).

La méthodologie est construite sur une structure causale spécifique (Hypothèse 1) qui exclut la causalité inverse de la variable de résultat vers le traitement, le médiateur, les covariables ou les instruments, et suppose une fidélité causale (causal faithfulness). Sous cette structure, les auteurs dérivent des implications testables qui sont équivalentes à la satisfaction conjointe de :

L'exogénéité : Le traitement et le médiateur sont indépendants, conditionnellement aux covariables, des résultats potentiels et des médiateurs potentiels (ignorabilité séquentielle).
La validité de l'instrument : Les instruments sont indépendants, conditionnellement aux covariables et au statut respectif du traitement/médiateur, des résultats potentiels et des médiateurs, impliquant qu'ils n'affectent pas directement le résultat et ne sont pas confondus.

Plus précisément, les implications testables (IT) sont des énoncés d'indépendance conditionnelle impliquant des quantités factuelles :

$Y \perp Z_1 | D, X$
$M \perp Z_1 | D, X$
$Y \perp Z_2 | D, M, X$

Le cadre est suffisamment flexible pour accommoder :

L'interdépendance des instruments : Des scénarios où $Z_1$ affecte $Z_2$ , nécessitant l'inclusion de $Z_2$ dans l'ensemble de conditionnement pour tester $Z_1$ .
La confusion post-traitement : Des scénarios où des covariables post-traitement ( $W$ ) affectent la relation médiateur-résultat, nécessitant l'inclusion de $W$ dans les ensembles de conditionnement.

Pour implémenter le test dans des contextions de haute dimension, les auteurs emploient une approche basée sur l'apprentissage automatique (machine learning). Ils testent l'hypothèse nulle selon laquelle la moyenne conditionnelle du résultat ou du médiateur est indépendante des instruments. Cela est formulé comme une condition de moment quadratique impliquant les différences au carré entre les fonctions de régression qui incluent et excluent les instruments. L'estimation utilise le cross-fitting et l'orthogonalité de Neyman (Chernozhukov et al., 2018), permettant l'utilisation d'algorithmes d'apprentissage automatique flexibles (par exemple, Lasso) pour contrôler les covariables de haute dimension sans compromettre les propriétés asymptotiques. Un terme de perturbation aléatoire est ajouté à la fonction de score pour assurer une variance non dégénérée sous l'hypothèse nulle.

Principales contributions

Extension des tests d'identification : Il s'agit de la première étude proposant un test d'identification spécifiquement pour la médiation causale, les effets de traitement dynamique et les modèles de sélection d'échantillon, étendant le cadre à traitement unique de Huber et Kueck (2022).
Test conjoint : La méthode permet de tester conjointement l'exogénéité du traitement et la validité de l'instrument, plutôt que de les tester séparément.
Flexibilité : Le cadre gère les instruments multivalents, les instruments séquentiels (où un instrument affecte un autre) et la confusion dynamique (covariables post-traitement).
Décomposition du diagnostic : La structure du test permet aux chercheurs de localiser les rejets sur des parties spécifiques du modèle causal (par exemple, distinguer une violation de l'exogénéité du traitement d'une violation de la validité de l'instrument).
Intégration de l'apprentissage automatique : La proposition d'une procédure de test pilotée par les données capable de gérer des covariables de haute dimension via l'apprentissage automatique, répondant au défi pratique du contrôle de nombreux facteurs de confusion.

Résultats

Étude de simulation : Les auteurs mènent une étude de simulation avec des tailles d'échantillon de 1 000 et 4 000. Les résultats indiquent que le test maintient un taux empirique correct (proche du niveau nominal de 5 %) lorsque les hypothèses d'identification sont vérifiées. Lorsque les hypothèses sont violées (par exemple, en introduisant des facteurs de confusion inobservés ou en invalidant les instruments), le test démontre une puissance élevée, avec des taux de rejet approchant 100 % dans les échantillons plus larges. L'étude montre également que le test proposé est performant pour détecter les violations même lorsque les instruments ont des effets directs sur le résultat.
Application empirique : La méthode est appliquée à des données du marché du travail slovaque pour évaluer les effets de programmes de formation séquentiels (Pratique de stage suivie d'Incitations à l'emploi) sur l'emploi. En utilisant la disponibilité locale des programmes comme instruments et en contrôlant un ensemble riche de covariables pré et post-traitement, les implications testables ne sont pas rejetées aux niveaux de signification conventionnels. Cela suggère que l'hypothèse d'ignorabilité séquentielle est plausible pour cette application spécifique. Par conséquent, les auteurs estiment l'effet de traitement dynamique, trouvant que la participation aux deux programmes augmente la probabilité d'emploi d'environ 8,55 points de pourcentage.

Signification et revendications
L'article affirme fournir un outil nécessaire pour vérifier les hypothèses d'identification dans des modèles causaux complexes où la confusion inobservée est une préoccupation majeure. En établissant des conditions testables suffisantes, les auteurs soutiennent que les chercheurs peuvent aller au-delà de la simple motivation théorique ou de l'intuition pour l'ignorabilité séquentielle. La signification réside dans la capacité de « vérifier » l'identification dans les données observationnelles, augmentant ainsi la confiance dans les estimations causales dérivées des modèles de médiation et de traitement dynamique. Les auteurs restent modestes, notant que si le test vérifie les conditions nécessaires pour l'identification, il ne garantit pas l'identification des effets directs et indirects naturels (qui nécessitent des hypothèses d'indépendance entre mondes plus fortes), mais il soutient l'identification des effets directs contrôlés et des effets totaux.