Nonparametric tests of treatment effect homogeneity for policy-makers

1. Problématique et Contexte

L'article s'attaque au problème de l'inférence statistique sur l'hétérogénéité des effets de traitement (Treatment Effect Heterogeneity - TEH). Bien que l'estimation non paramétrique des effets conditionnels (CATE) soit bien documentée, les méthodes d'inférence (tests d'hypothèses) restent sous-développées, en particulier dans des contextes où les modificateurs d'effet sont continus ou de dimension modérée.

Les auteurs distinguent deux types d'hétérogénéité :

• Hétérogénéité Quantitative : L'efficacité du traitement varie selon les sous-groupes, mais le traitement reste bénéfique (ou neutre) pour tous. Cela correspond à une interaction sur l'échelle additive.
• Hétérogénéité Qualitative : Le traitement est bénéfique pour certains sous-groupes et nuisible pour d'autres (effet de signe opposé). Cela est crucial pour la médecine personnalisée afin d'éviter de nuire à certains patients.

Défis majeurs identifiés :

• Les méthodes classiques (tests de Gail & Simon, tests de plage) nécessitent de discrétiser les covariables, ce qui entraîne une perte de puissance et des problèmes de choix de seuils.
• Les approches paramétriques risquent la mauvaise spécification du modèle.
• Les méthodes non paramétriques existantes (ex: Shi et al., 2019) reposent souvent sur le fractionnement de l'échantillon (sample splitting) pour obtenir une distribution asymptotique gérable, ce qui réduit la puissance statistique en n'utilisant pas toutes les données pour l'estimation et le test.
• Les paramètres d'intérêt (fonctionnelles de la courbe CATE) sont non lisses (impliquant des indicateurs) et s'annulent sous l'hypothèse nulle, ce qui rend l'influence efficace nulle et les distributions limites non triviales.

2. Méthodologie Proposée

Les auteurs proposent une classe de tests non paramétriques basés sur l'optimisation de fonctionnelles de la courbe d'effet conditionnel moyen (CATE), notée $\tau(x)$.

A. Définition des Paramètres (Estimands)

Au lieu de tester l'égalité des effets dans des groupes discrets, les auteurs définissent des paramètres globaux basés sur l'aire sous la courbe CATE centrée :

• Pour l'hétérogénéité quantitative : Ils définissent $\theta^+$ et $\theta^-$ comme les espérances des parties positive et négative de l'écart entre le CATE et l'effet moyen (ATE). L'hypothèse nulle est que la différence pondérée est nulle ($\theta^+ - \theta^- = 0$).
• Pour l'hétérogénéité qualitative : Ils définissent des paramètres similaires par rapport à un seuil clinique $\delta$ (souvent 0). L'hypothèse nulle est que soit la partie positive est nulle, soit la partie négative est nulle (pas de traitement bénéfique ET nuisible simultanément).

B. Stratégie d'Inférence et Classe de Fonctions

Pour contourner la non-différentiabilité des indicateurs, les auteurs introduisent une classe de fonctions $F$ (ex: règles de seuil linéaires, arbres de décision, fonctions à variation bornée).
Ils montrent que tester l'hétérogénéité revient à vérifier si le supremum (ou l'infimum) d'une fonctionnelle linéaire sur la classe $F$ est strictement différent de zéro.

• L'idée clé est que si une règle de décision dynamique $f \in F$ améliore significativement le résultat par rapport à une règle statique (ignorer les covariables), alors l'hétérogénéité existe.
• Cela permet de transformer le problème en un problème d'optimisation sur une classe de fonctions.

C. Estimation et Distribution Asymptotique

• Estimateurs : Utilisation d'estimateurs "one-step" basés sur la fonction d'influence efficace (Efficient Influence Function - EIF) pour estimer les paramètres. Cela permet d'utiliser des estimateurs de nuisance (CATE, propension) flexibles (machine learning) tout en corrigeant le biais.
• Distribution Limite : Sous l'hypothèse nulle, les estimateurs convergent vers un processus gaussien. La statistique de test est le supremum (ou infimum) de ce processus sur la classe $F$.
• Bootstrap Multiplieur : Puisque la distribution limite du supremum d'un processus gaussien n'a pas de forme fermée, les auteurs utilisent le bootstrap multiplieur (Multiplier Bootstrap) pour approximer la distribution nulle et calculer les valeurs critiques.
• Avantage clé : Contrairement aux méthodes précédentes, cette approche ne nécessite pas de fractionnement de l'échantillon (sample splitting). Elle utilise l'échantillon complet pour l'estimation et le test, préservant ainsi la puissance.

3. Résultats Principaux

A. Propriétés Théoriques

• Contrôle du risque de première espèce (Type I Error) : Les auteurs prouvent que les tests contrôlent asymptotiquement le niveau de signification $\alpha$, même si la classe de fonctions $F$ est mal spécifiée (c'est-à-dire si la vraie règle optimale n'est pas dans $F$).
• Puissance : Les tests ont une puissance non triviale contre des alternatives locales (convergence à la vitesse $n^{-1/2}$). Ils sont particulièrement puissants lorsqu'une règle dynamique basée sur les covariables produit un résultat populationnel différent d'une règle statique.
• Robustesse : La méthode est robuste à la mauvaise spécification du modèle de nuisance grâce à l'utilisation de l'EIF et des conditions de régularité standard (consistance des estimateurs, conditions de produit de taux).

B. Études de Simulation

Les simulations comparent la méthode proposée à des approches existantes (régression ridge avec noyau, tests de Gail-Simon, tests de plage, fractionnement d'échantillon).

• Contrôle de l'erreur de type I : Toutes les méthodes proposées maintiennent le taux d'erreur de type I au niveau nominal.
• Puissance :
  • Pour l'hétérogénéité quantitative, la méthode proposée (surtout avec des règles de seuil linéaires si la courbe est monotone) surpasse ou égale les méthodes de référence, avec une meilleure puissance que les méthodes de fractionnement.
  • Pour l'hétérogénéité qualitative, la méthode proposée détecte mieux les effets complexes (non monotones) que les tests classiques qui nécessitent une discrétisation grossière. La puissance diminue lorsque le nombre de sous-groupes (bins) augmente pour les méthodes classiques, tandis que la méthode proposée reste stable.
  • L'hétérogénéité qualitative est intrinsèquement plus difficile à détecter que la quantitative, mais la méthode proposée offre les meilleures performances relatives.

C. Application Réelle : Essai Clinique ACTG 175

Les auteurs réanalysent les données de l'essai ACTG 175 sur le traitement du VIH.

• Covariables : Poids, âge, et comptage CD4 de base.
• Résultats :
  • Aucune preuve d'hétérogénéité qualitative (pas de sous-groupe où le traitement est nuisible).
  • Une preuve modeste d'hétérogénéité quantitative liée au poids ($p=0.017$), suggérant que l'impact du traitement varie selon le poids, bien que l'effet global reste positif.
  • Aucune hétérogénéité significative pour l'âge ou le CD4.
• Conclusion : Ces résultats suggèrent que des règles de traitement dynamiques basées sur le poids pourraient avoir un impact différent de règles statiques, justifiant une attention clinique, tout en soulignant l'incertitude globale sur la personnalisation dans ce contexte.

4. Contributions Clés et Signification

1. Nouvelle Classe de Tests Non Paramétriques : Introduction d'une méthode unifiée pour tester à la fois l'hétérogénéité quantitative et qualitative sans hypothèses paramétriques fortes.
2. Élimination du Fractionnement d'Échantillon : C'est une contribution majeure. En évitant le sample splitting, la méthode utilise toute l'information disponible, augmentant la puissance statistique tout en maintenant une distribution asymptotique gérable via le bootstrap multiplieur.
3. Pertinence pour les Décideurs Politiques : Les paramètres testés sont directement interprétables en termes de "gain de bien-être" (welfare gain) ou d'impact populationnel. Le test répond directement à la question : "L'utilisation d'une règle de décision personnalisée améliore-t-elle les résultats par rapport à une règle uniforme ?"
4. Flexibilité et Robustesse : La méthode s'adapte à des covariables continues et multidimensionnelles et reste valide même si la classe de règles de décision choisie pour le test n'est pas parfaitement adaptée à la réalité (misspécification de $F$).
5. Fondements Théoriques Solides : La preuve de la convergence faible vers un processus gaussien et le contrôle de l'erreur de type I sous des hypothèses locales et fixes renforcent la crédibilité de l'approche pour des applications en santé publique et en économie.

En résumé, cet article fournit un cadre rigoureux et pratique pour les décideurs souhaitant déterminer si la personnalisation des traitements est justifiée par des données, en surmontant les limitations de puissance et de complexité des méthodes antérieures.