Résumé technique : Analyse de médiation causale débaisée dans des contextes ultra-hautement dimensionnels en présence d'effets d'interaction

1. Problématique et motivation

Cet article traite du défi que représente l'estimation des effets directs naturels (NDE) et des effets indirects naturels (NIE) dans une analyse de médiation causale lorsque les covariables pré-traitement ($X \in \mathbb{R}^p$) et les médiateurs post-traitement ($M \in \mathbb{R}^q$) sont tous deux ultra-hautement dimensionnels (UHD), ce qui signifie que $p \wedge q \gg n$. Crucialement, le cadre proposé prend en compte les effets d'interaction entre le traitement binaire ($A$) et les covariables ainsi que les médiateurs.

La littérature existante sur la médiation à haute dimension s'est largement appuyée sur le criblage heuristique, la réduction de dimension ou la sélection de voies, manquant souvent d'une théorie inférentielle rigoureuse pour les effets naturels en présence de variables UHD. De plus, les avancées théoriques récentes en médiation à haute dimension (par exemple, Guo et al., 2022–2024 ; Lin et al., 2025) supposent généralement des covariables de dimension fixe ou excluent les interactions traitement-covariable/médiateur. La difficulté spécifique traitée ici est l'estimation du fonctionnel de médiation $\theta_{10} = E[Y(1, M(0))]$, qui implique une interaction « cross-arm » (entre bras) : elle combine des paramètres appris du bras de traitement (les coefficients de régression de l'outcome $\gamma_1$) avec ceux appris du bras de contrôle (la matrice de régression des médiateurs $B_0$). Cette structure empêche l'application directe des techniques de débaisage standard pour les fonctionnels linéaires ou bilinéaires, car la cible implique un terme composite $\bar{X}^\top B_0^\top \gamma_1$ où $B_0 \bar{X}$ peut être dense et non estimable de manière consistante dans la norme $\ell_1/\ell_2$.

2. Méthodologie

Les auteurs proposent un nouvel estimateur de débaisage multi-étapes qui combine la régression à haute dimension avec des étapes d'équilibrage soigneusement conçues. La méthode utilise une procédure de cross-fitting pour diviser les données en deux plis ($D_1, D_2$) afin d'éviter le surapprentissage et de garantir une inférence valide.

La procédure d'estimation (Algorithme 1)

Le cœur de la méthodologie estime le paramètre $\theta_{10} = \bar{X}^\top (\beta_1 + B_0^\top \gamma_1)$ via les étapes suivantes :

1. Équilibrage pour l'approximation (Étape 1) : En utilisant les observations de contrôle ($A=0$), la méthode construit un vecteur de poids d'équilibrage $\hat{\tau}_2$ en résolvant un problème d'optimisation. Ce poids approxime le vecteur de moyennes des covariables $\bar{X}$ dans l'espace des covariables de contrôle. Crucialement, le produit $\hat{m}_c = M_c^\top \hat{\tau}_2$ sert d'approximation directe du vecteur inconnu $B_0 \bar{X}$ dans la norme $\ell_\infty$, évitant ainsi de devoir estimer la matrice UHD complète $B_0$.
2. Régression de l'outcome (Étape 2) : En utilisant les observations de traitement ($A=1$), une régression Lasso estime les coefficients de l'outcome $\hat{\phi}_1 = (\hat{\beta}_1, \hat{\gamma}_1)$.
3. Premier débaisage (Étape 3) : L'estimateur $\hat{\phi}_1$ est débaisé dans la direction $a = (\bar{X}^\top, \hat{m}_c^\top)^\top$. Cette étape corrige le biais de régularisation du Lasso mais introduit un nouveau biais car la direction $\hat{m}_c$ est une approximation de $B_0 \bar{X}$, et non la valeur réelle.
4. Second débaisage (Étape 4) : Pour éliminer le biais introduit par l'approximation de l'étape 3, une seconde régression est effectuée sur les données de contrôle. Le pseudo-outcome $M_c^\top \hat{\gamma}_1$ est régressé sur $X_c$ pour estimer $b = B_0^\top \hat{\gamma}_1$. Cet estimateur est ensuite débaisé en utilisant le même poids d'équilibrage $\hat{\tau}_2$ utilisé à l'étape 1.
5. Combinaison (Étape 5) : L'estimateur final est construit en combinant le terme de l'outcome débaisé et le terme d'approximation débaisé, en soustrayant un terme de correction pour tenir compte du chevauchement.
6. Cross-fitting (Étape 6) : Les rôles de $D_1$ et $D_2$ sont inversés, et les résultats sont moyennés pour obtenir l'estimateur final par cross-fitting $\hat{\theta}_{10}^{cf}$.

Les estimateurs pour le NDE et le NIE sont construits en combinant $\hat{\theta}_{10}^{cf}$ avec des estimateurs analogues pour $\theta_{11}$ et $\theta_{00}$ (qui sont plus simples car ils n'impliquent pas d'interactions entre les bras).

3. Contributions théoriques et résultats

L'article établit que l'estimateur proposé est $\sqrt{n}$-consistant et suit une loi normale asymptotique sous des conditions de parcimonie, de régularité et de valeurs propres restreintes assez générales.

• Structure du biais : Les auteurs prouvent que l'erreur d'estimation se décompose en un terme stochastique dominant et un terme de reste $\Delta_n$. Le terme de reste présente une forme de produit (par exemple, $\|\text{erreur d'approximation}\|_\infty \times \|\text{erreur d'estimation}\|_1$). Cette structure garantit que le biais est asymptotiquement négligeable ($o_p(n^{-1/2})$) même lorsque les erreurs d'estimation individuelles sont importantes, à condition que les conditions de parcimonie $(1+s)(1+k)\log(p+q)/\sqrt{n} \to 0$ soient respectées.
• Normalité asymptotique : L'article dérive la variance asymptotique et construit des estimateurs consistants pour celle-ci, permettant la construction d'intervalles de confiance valides pour le NDE, le NIE et l'effet total. Les résultats sont valables tant pour les cibles de moyenne d'échantillon que pour les cibles de moyenne de population, et sont étendus pour gérer les erreurs conditionnellement hétéroscédastiques.
• Comparaison avec les méthodes existantes : Les auteurs démontrent que leur approche évite les fortes hypothèses de « beta-min » (force de signal minimale) et de récupération de support requises par certaines méthodes d'inférence à haute dimension existantes (par exemple, Guo et al., 2023). Leur méthode permet des signaux plus faibles et des niveaux de parcimonie plus élevés, à condition que le produit de la parcimonie et de la dimension croisse assez lentement par rapport à la taille de l'échantillon.

4. Évaluation empirique

La méthodologie a été évaluée par des études de simulation approfondies et une application sur des données réelles.

• Simulations : L'estimateur débaisé proposé ($\hat{\theta}_{10}^{cf}$) a été comparé à un estimateur plug-in standard et à une version modifiée de la méthode de Guo et al. (2022).
  • L'estimateur débaisé a systématiquement obtenu une erreur quadratique moyenne (RMSE) plus faible et des probabilités de couverture proches du niveau nominal (95 %) dans divers régimes, incluant l'augmentation de la parcimonie, la disparition du signal minimal et le bruit hétéroscédastique.
  • En revanche, l'estimateur standard présentait un biais substantiel, et la méthode modifiée de Guo et al. montrait une instabilité et une faible couverture dans les contextes ultra-hautement dimensionnels, particulièrement lorsque la parcimonie était élevée ou les signaux faibles.
• Application sur données réelles : La méthode a été appliquée au jeu de données TCGA sur le cancer du poumon pour estimer l'effet du tabagisme sur le temps de survie, médié par la méthylation de l'ADN.
  • L'analyse impliquait $n=738$ patients avec $p=42$ covariables et $q=264\,797$ médiateurs.
  • Les résultats ont indiqué que l'effet total du tabagisme sur le temps de survie était principalement médié par la méthylation de l'ADN (NIE), l'effet indirect étant statistiquement significatif tandis que l'effet direct ne l'était pas.
  • Une comparaison avec une approche OLS à dimension fixe (utilisant seulement 6 sites CpG pré-sélectionnés) a produit des résultats contradictoires et contre-intuitifs (suggérant que le tabagisme augmentait la survie), soulignant l'importance de la méthodologie à haute dimension dans les systèmes biologiques complexes.

5. Signification et revendications

L'article affirme être le premier travail à fournir une méthodologie pour estimer les effets directs et indirects naturels en présence de covariables simultanément ultra-hautement dimensionnelles, de médiateurs ultra-hautement dimensionnels et de leurs interactions avec la variable de traitement.

Les principales revendications concernant la signification de l'article sont les suivantes :

1. Innovation structurelle : La stratégie de débaisage multi-étapes proposée répond à un défi structurel unique (paramètres de nuisance entre les bras impliquant des matrices et des vecteurs UHD) que les techniques de débaisage existantes pour les fonctionnels linéaires ou bilinéaires ne peuvent traiter directement.
2. Hypothèses plus faibles : Le cadre théorique opère sous des hypothèses de force de signal plus faibles que les méthodes d'inférence de médiation à haute dimension concurrentes, permettant la détection d'effets même lorsque certains coefficients sont faibles.
3. Utilité pratique : La méthode fournit une inférence valide pour des mécanismes biologiques complexes (comme la médiation épigénétique) où le nombre de médiateurs potentiels dépasse largement la taille de l'échantillon, un scénario où les méthodes traditionnelles de sélection à basse dimension peuvent échouer ou produire des résultats biaisés.

Les auteurs concluent que bien que le présent travail se concentre sur les modèles linéaires, le cadre développé offre une base pour de futures extensions aux modèles linéaires généralisés et à d'autres modèles d'équations structurelles présentant des complexités similaires entre les bras.