Incremental effects for continuous exposures

Résumé technique : Effets incrémentaux pour les expositions continues

Énoncé du problème
L'inférence causale avec des traitements continus (par exemple, le dosage, la durée, la fréquence) repose généralement sur l'estimation de courbes dose-réponse. L'identification standard de ces courbes nécessite l'hypothèse de positivité : chaque sujet doit avoir une probabilité non nulle de recevoir n'importe quel niveau de traitement. En pratique, cette hypothèse est souvent violée, particulièrement lorsque les distributions de traitement présentent des lacunes ou des supports bornés (par exemple, certains niveaux de dosage ne sont jamais administrés). Les méthodes d'interventions stochastiques existantes, telles que les interventions par décalage (shift interventions), échouent souvent à résoudre ce problème si le support est borné ou contient des lacunes, car le décalage du traitement peut placer la masse en dehors du support observé.

Méthodologie
Les auteurs proposent un cadre pour les effets incrémentaux basé sur une inclinaison exponentielle (exponential tilting) de la distribution du traitement. Au lieu de fixer de manière déterministe les niveaux de traitement ou de les décaler d'une quantité fixe, la méthode repondère la densité de traitement observationnelle $\pi(a|x)$ par un paramètre $\delta$. La densité inclinée est définie par :
$$q_\delta(a | x) = \frac{\exp(\delta a)\pi(a | x)}{\int \exp(\delta t)\pi(t | x) dt}$$
Ici, $\delta$ agit comme un taux de variation du rapport de vraisemblance. Un $\delta$ positif augmente la probabilité de niveaux de traitement plus élevés, tandis qu'un $\delta$ négatif la diminue. Crucialement, les auteurs traitent $\delta$ non pas comme une constante fixe, mais comme un paramètre qui peut être non borné (tendant vers $\pm \infty$).

Contributions clés et résultats

1. Identification sans positivité :
   Les auteurs établissent que les effets incrémentaux sont identifiables sous les hypothèses standard de cohérence et d'échangeabilité, sans nécessiter l'hypothèse de positivité. Comme la distribution inclinée $q_\delta$ est nulle partout où la densité originale $\pi$ est nulle, la méthode évite les « lacunes » du support qui pénalisent d'autres interventions stochastiques.

2. Bornes d'efficacité et bornes inférieures minimax :
   L'article dérive la fonction d'influence efficiente et la borne d'efficacité non paramétrique pour ces effets incrémentaux. Une conclusion centrale est que la variance de la fonction d'influence efficiente évolue avec $\delta$.

   • Le Théorème 2 établit une nouvelle borne inférieure minimax pour l'erreur d'estimation. Les auteurs prouvent que la meilleure erreur quadratique moyenne (RMSE) possible évolue avec une taille d'échantillon effective de $n/\delta$ plutôt que de $n$.
   • Cela implique qu'à mesure que le paramètre d'inclinaison $\delta$ augmente, l'estimation devient nettement plus difficile et la vitesse de convergence ralentit. Cette dépendance est souvent ignorée dans les analyses standards qui traitent $\delta$ comme une constante fixe.

3. Nouveaux taux de convergence et analyse du biais :
   Les auteurs analysent un estimateur de type apprentissage automatique double (DML) à une étape.

   • Ils démontrent que les bornes d'erreur standard (utilisant Cauchy-Schwarz et les normes $L_2$) mènent à des dépendances sous-optimales vis-à-vis de $\delta$ et nécessitent souvent une forte positivité.
   • Le Théorème 3 introduit une nouvelle analyse utilisant des normes mixtes $L_2(P)$-sup ($||f||_{L^2_x, L^\infty_a}$). Cela permet d'obtenir une borne d'erreur doublement robuste qui ne souffre pas de la pénalité superlinéaire de $\delta$, à condition qu'une hypothèse de « faible positivité » (positivité près des bords du support) soit respectée.
   • Le Théorème 4 établit que l'estimateur est asymptotiquement normal avec un taux de convergence de $\sqrt{n/\delta}$, confirmant la réduction de la taille d'échantillon effective.

4. Estimation dose-réponse via des inclinaisons réfléchies :
   L'article explore la limite où $\delta \to \infty$.

   • Lorsque $\delta \to \infty$, la distribution inclinée converge vers une masse ponctuelle au bord du support du traitement (par exemple, $A=1$).
   • Les auteurs définissent une « inclinaison réfléchie » exponentielle autour de n'importe quel point intérieur $a'$. En appliquant une inclinaison positive pour $a < a'$ et une inclinaison négative pour $a > a'$, et en prenant $\delta \to \infty$, ils dérivent un nouvel estimateur de la courbe dose-réponse $E[Y^{a'}]$.
   • Le Théorème 6 montre que cet estimateur atteint un taux de convergence de $O_P(n^{-1/3})$ pour les fonctions de régression Lipschitz, ce qui est le taux minimax optimal.
   • Le Corollaire 1 démontre que cet estimateur correspond à l'efficacité des estimateurs dose-réponse classiques basés sur les noyaux (comme le DR-learner), mais ne nécessite qu'une faible positivité dans un voisinage du point cible $a'$, plutôt qu'une positivité globale.

5. Application empirique :
   La méthodologie est appliquée pour estimer l'effet des publicités politiques sur les contributions de campagne à partir des données d'Urban et Niebler (2014). La variable de traitement (nombre de publicités) possède des lacunes dans sa densité, violant la positivité standard. Les auteurs estiment l'effet incrémental et la courbe dose-réponse, trouvant que l'augmentation du volume publicitaire a un effet légèrement positif sur les contributions, tandis que sa diminution entraîne des pertes substantielles. L'estimateur d'effet incrémental réfléchi a montré une meilleure stabilité dans les régions de faible densité par rapport aux méthodes classiques à noyau.

Signification et revendications
L'article affirme fournir un fondement théorique rigoureux pour l'estimation des effets causaux sous des traitements continus sans l'hypothèse restrictive de positivité. Sa principale importance réside dans :

• La révélation du coût de l'inclinaison : Caractériser explicitement comment la difficulté d'estimation évolue avec le paramètre d'inclinaison $\delta$, montrant que les fortes inclinaisons réduisent efficacement la taille de l'échantillon.
• De nouvelles bornes théoriques : Dériver des bornes inférieures minimax et des taux de convergence qui dépendent de $\delta$, corrigeant les analyses précédentes qui supposaient que $\delta$ était une constante fixe et bornée.
• Un nouvel estimateur pour la dose-réponse : Offrir un nouvel estimateur non paramétrique de la courbe dose-réponse aux bords et aux points intérieurs du support, qui repose sur une faible positivité et atteint des taux optimaux pour les fonctions Lipschitz.

Les auteurs positionnent leur travail comme un complément à la littérature existante sur les interventions stochastiques (par exemple, Díaz et van der Laan, 2012 ; Kennedy, 2019), en étendant spécifiquement le concept d'effets incrémentaux aux expositions continues et en analysant le comportement asymptotique lorsque le paramètre de $\delta$ est non borné.