📊 statistics

Self-separated and self-connected models for mediator and outcome missingness in mediation analysis

Cet article propose des modèles d'analyse de médiation pour traiter les données manquantes dans le médiateur et la variable de résultat, en établissant des conditions d'identification basées sur des hypothèses d'indépendance conditionnelle et en étendant considérablement la théorie des variables ombres pour inclure des dépendances dues à des causes non observées.

Auteurs originaux : Trang Quynh Nguyen, Razieh Nabi, Fan Yang, Grace V. Ringlein, Elizabeth A. Stuart

Publié 2026-04-07

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Trang Quynh Nguyen, Razieh Nabi, Fan Yang, Grace V. Ringlein, Elizabeth A. Stuart

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 essayez de comprendre pourquoi un élève réussit ou échoue à l'école. Vous avez trois pièces du puzzle :

Le traitement (ex: un programme de prévention).
Le médiateur (ex: l'attitude de l'élève).
Le résultat (ex: la consommation d'alcool).

Le problème, c'est que dans la vraie vie, les gens ne répondent pas toujours aux questions. Certains oublient de remplir le questionnaire sur leur attitude, d'autres ne disent pas s'ils ont bu de l'alcool. C'est ce qu'on appelle des données manquantes.

Si vous ignorez simplement ces gens (comme si ils n'existaient pas), vous risquez de tirer de fausses conclusions. Par exemple, si seuls les élèves qui boivent beaucoup refusent de répondre, votre étude dira à tort que le programme fonctionne très bien, alors qu'il ne l'est pas.

Ce papier est une boîte à outils pour les chercheurs. Il explique comment reconstruire le puzzle même quand certaines pièces sont manquantes, sans faire d'hypothèses trop naïves.

Voici les deux grandes stratégies présentées dans le papier, expliquées simplement :

1. La stratégie "Séparation" (Les modèles auto-séparés)

Imaginez que vous avez deux amis, Alice et Bob.

Le problème : Alice refuse de dire si elle a mangé un gâteau (médiateur manquant) et Bob refuse de dire s'il a eu mal au ventre (résultat manquant).
L'hypothèse classique (trop stricte) : On suppose que leur refus de parler n'a rien à voir avec le gâteau ou le mal de ventre. C'est comme si leur humeur du jour dictait leur silence.
La nouvelle idée du papier : Les auteurs disent : "Attendez, ce n'est pas toujours vrai. Peut-être qu'Alice refuse de parler parce qu'elle a mangé le gâteau."

Dans cette première catégorie, les auteurs proposent des modèles où l'on accepte que le fait d'avoir mangé le gâteau puisse influencer le silence d'Alice, MAIS à condition que ce silence ne crée pas de "boucle de rétroaction" magique avec le mal de ventre de Bob.

L'analogie : C'est comme si vous disiez : "Je sais qu'Alice est timide si elle a mangé le gâteau, mais son silence ne change pas la santé de Bob." Si vous pouvez faire cette séparation, vous pouvez quand même deviner la vérité.

2. La stratégie "Ombre" (Les modèles auto-connectés avec variables ombre)

C'est la partie la plus brillante et la plus innovante du papier.
Imaginez toujours Alice qui refuse de dire si elle a mangé le gâteau. Mais cette fois, vous avez un témoin, disons un chat nommé "Moustache".

Le principe : Moustache n'est pas Alice, mais il a vu Alice manger le gâteau. Moustache est donc lié à l'action (manger), mais son propre silence (s'il refuse de parler) n'est pas influencé par le fait qu'Alice ait mangé ou non.
La "Variable Ombre" (Shadow Variable) : C'est ce Moustache. C'est une variable que vous connaissez (comme les notes de l'élève, ou l'attitude rapportée par les parents) qui est liée à la variable manquante, mais qui ne subit pas le même "silence" biaisé.

Les auteurs disent : "Utilisons Moustache pour deviner ce qu'Alice a fait."

Le défi : Parfois, Moustache lui-même ne répond pas toujours. Le papier explique comment gérer le cas où le témoin est aussi silencieux que la personne principale. C'est comme essayer de deviner ce qu'a dit Alice en écoutant Moustache, même si Moustache chuchote parfois.

Les trois types de "Moustaches" (Variables Ombre)

Le papier classe ces témoins en trois catégories selon où ils se situent dans l'histoire :

Les Ombres "En aval" (Downstream) : Des événements qui arrivent après (ex: les notes de l'élève à la fin de l'année). Elles sont influencées par l'attitude, mais ne peuvent pas influencer le silence de l'élève sur son attitude passée.
Les Ombres "Au milieu" (Midstream) : Des événements qui arrivent pendant le processus (ex: une observation faite par un enseignant en cours d'année).
Les Ombres "En amont" (Upstream) : Des événements qui arrivent avant (ex: le niveau d'éducation des parents).

Pourquoi est-ce important ?

Avant, les chercheurs devaient souvent choisir entre deux options :

Ignorer le problème (et risquer de se tromper).
Faire une hypothèse très forte (comme "tout le monde répond au hasard"), ce qui est rarement vrai.

Ce papier dit : "Il y a une troisième voie."
Il offre des modèles de secours (des "templates") pour des situations complexes. Il dit aux chercheurs : "Si vous avez ce type de données manquantes, et si vous avez cette variable 'ombre' (comme les notes, les rapports des parents, etc.), vous pouvez utiliser cette formule mathématique précise pour retrouver la vérité."

En résumé

Ce papier est comme un manuel de survie pour les enquêteurs. Il leur apprend à ne pas paniquer quand les gens ne répondent pas.

Il leur donne des règles pour savoir quand ils peuvent faire confiance à leurs données.
Il leur apprend à utiliser des indices indirects (les variables ombres) pour déduire ce qui s'est passé, même quand les témoins directs sont silencieux.
Il précise que pour que cela fonctionne, il faut que ces indices indirects soient "assez variés" (comme un chat qui a vu beaucoup de choses différentes) pour pouvoir deviner l'histoire complète.

C'est une avancée majeure pour rendre les études scientifiques plus fiables, même quand les données sont imparfaites.

1. Problématique

L'analyse de médiation est cruciale pour comprendre les mécanismes causaux, mais elle est souvent entravée par des données manquantes, tant pour le médiateur ( $M$ ) que pour la variable de résultat ( $Y$ ). La littérature existante repose souvent sur l'hypothèse de données manquantes au hasard (MAR) ou complètement au hasard (MCAR). Cependant, ces hypothèses sont fréquemment violées dans la pratique (MNAR - Missing Not At Random), notamment lorsque la probabilité de non-réponse dépend de la valeur même de la variable manquante (ex: les étudiants buveurs ne répondent pas à la question sur la consommation d'alcool).

Le défi central de cet article est d'identifier les distributions conditionnelles $P(M | X, A)$ et $P(Y | X, A, M)$ nécessaires pour l'estimation des effets de médiation, même en présence de mécanismes de données manquantes non ignorables (MNAR), sans se fier à des hypothèses de MAR restrictives.

2. Méthodologie et Cadre Théorique

Les auteurs développent une théorie unifiée basée sur deux grandes classes de modèles de données manquantes, en utilisant des graphes acycliques dirigés (DAG) et des conditions d'indépendance conditionnelle.

A. Classification des modèles

Modèles à séparation autonome (Self-separated missingness) :
- Dans ces modèles, une variable et son indicateur de non-réponse ne se causent pas mutuellement et ne partagent pas de causes communes non observées.
- L'identification repose sur des hypothèses d'indépendance conditionnelle (ex: Sequentially Ignorable Missingness - SIM).
- Ces modèles sont limités car ils nécessitent de supprimer certaines connexions causales dans le graphe pour être identifiables.
Modèles à connexion autonome (Self-connected missingness) :
- Ici, une variable influence sa propre non-réponse ou partage des causes non observées avec celle-ci.
- L'identification est rendue possible grâce à l'utilisation de variables ombres (Shadow Variables - SV). Une variable ombre $Z$ est associée à la variable d'intérêt $V$ mais est conditionnellement indépendante de l'indicateur de non-réponse $R_V$ étant donné $V$ .
- Les auteurs étendent la théorie des variables ombres pour gérer des cas complexes impliquant deux variables ( $M$ et $Y$ ) et des variables ombres externes ou internes.

B. Outils techniques clés

Fonctions de basculement (Tilting functions) : Les auteurs expriment les résultats d'identification sous forme de rapports de densités (ou de probabilités de réponse) qui "basculent" la distribution observée vers la distribution complète.
Techniques de basculement des cotes (Odds-tilting) : Une méthode innovante permettant d'identifier les probabilités de réponse en utilisant des rapports de cotes (odds ratios) et des intégrales d'équations.
Conditions de complétude (Completeness conditions) : Pour garantir l'unicité de la solution dans les modèles à variables ombres, les auteurs imposent que la variable ombre ait une variabilité suffisante par rapport à la variable d'intérêt (condition de complétude de Lehmann-Scheffé).
Ordres temporels : L'analyse distingue quatre scénarios temporels (in-time, delayed, unordered, reverse) selon que les indicateurs de non-réponse ( $R_M, R_Y$ ) sont mesurés avant, après ou en même temps que les variables $M$ et $Y$ .

3. Contributions Clés

Extension de la théorie des variables ombres :
- Synthèse et extension de la théorie existante pour couvrir le cas de deux variables avec des données manquantes auto-connectées.
- Développement de modèles permettant que la variable ombre elle-même soit sujette à des données manquantes (hypothèse mSV), ce qui est souvent négligé.
- Identification de trois nouveaux modèles d'identification utilisant des variables ombres externes (combinées, parallèles, séquentielles).
Catalogue exhaustif de modèles identifiables :
- Définition de modèles S1 à S5 pour les cas à séparation autonome (incluant des variantes de SIM).
- Définition de modèles Z1 à Z5 où le médiateur ou le résultat sert de variable ombre.
- Définition de modèles D1-D4, M1-M4, U4, C1-C4 utilisant des variables ombres auxiliaires (en aval, en amont, sur le chemin causal) ou des covariables.
Implications testables (Falsifiabilité) :
- Une contribution majeure est l'identification des implications testables pour de nombreux modèles. Cela permet aux chercheurs de rejeter statistiquement certains modèles si les conditions d'indépendance implicites ne sont pas vérifiées dans les données observées.
Prise en compte des dépendances non observées :
- Contrairement à de nombreux travaux antérieurs, les auteurs permettent explicitement des dépendances dues à des causes non observées entre une variable et son indicateur de non-réponse, à condition d'utiliser des variables ombres appropriées.

4. Résultats Principaux

Identification des densités : Sous les hypothèses des modèles proposés (S1-S5, Z1-Z5, etc.), les distributions conditionnelles $P(M | X, A)$ et $P(Y | X, A, M)$ sont identifiées. Cela permet de calculer les effets de médiation naturels ou interventionnels.
Rôle de l'ordre temporel : Les options de modèles disponibles varient considérablement selon l'ordre temporel des mesures. Par exemple, le modèle SIM (S1) est la seule option pour le cadre "in-time" dans la classe des modèles à séparation autonome, tandis que d'autres modèles deviennent possibles dans les cadres "unordered" ou "reverse".
Utilisation des variables ombres internes et externes :
- Les auteurs montrent que le médiateur peut servir de variable ombre pour le résultat (et vice-versa) sous certaines conditions de complétude.
- Ils proposent des cadres pour utiliser des covariables ( $X$ ) ou des variables auxiliaires (mesures répétées, données administratives) comme variables ombres.
Robustesse aux données manquantes de la variable ombre : Les résultats d'identification sont préservés même si la variable ombre elle-même contient des données manquantes, à condition que le mécanisme de non-réponse de la variable ombre satisfasse des hypothèses de séparation spécifiques (assomption mSV).

5. Signification et Impact

Pour la pratique de l'analyse de médiation : Cet article fournit une "boîte à outils" théorique pour les chercheurs confrontés à des données manquantes non ignorables. Il démontre que l'hypothèse MAR n'est pas nécessaire pour obtenir une identification, à condition de disposer de structures de données spécifiques (comme des variables ombres) ou de faire des hypothèses d'indépendance conditionnelle plausibles.
Pour la planification d'études : L'article souligne l'importance de collecter des données auxiliaires (variables ombres) dès la phase de conception de l'étude. Il guide les chercheurs sur le type de données nécessaires (ex: mesures répétées, données de sources multiples) pour rendre les modèles identifiables.
Avancée théorique : La généralisation de la théorie des variables ombres à deux variables et l'intégration de la complétude faible/forte offrent un cadre robuste applicable au-delà de l'analyse de médiation (par exemple, en inférence causale proximale).
Limites et perspectives : L'article se concentre sur l'identification et non sur l'estimation ou l'inférence. Les auteurs appellent au développement de méthodes d'estimation (paramétriques ou semi-paramétriques) basées sur leurs fonctions de basculement et à l'exploration de l'utilisation de toutes les données observées (y compris celles avec des médiateurs manquants mais des résultats observés).

En résumé, cet article comble un vide théorique majeur en offrant des solutions rigoureuses pour l'identification des effets de médiation en présence de données manquantes complexes, en s'éloignant des hypothèses de MAR souvent irréalistes pour adopter des modèles basés sur des structures causales identifiables via des variables ombres.