Tilted sensitivity analysis in matched observational studies

Problème
Dans les études observationnelles appariées, les chercheurs associent des unités traitées et des unités de contrôle avec des covariables observées similaires afin d'estimer les effets du traitement. Cependant, des facteurs de confusion inobservés peuvent encore induire un biais caché, où les unités ayant des réponses plus importantes sont plus susceptibles de recevoir le traitement. L'analyse de sensibilité, suivant le modèle de Rosenbaum (1987), quantifie la robustesse des résultats à un tel biais en déterminant l'ampleur de la confusion non mesurée ($\Gamma$) nécessaire pour invalider les conclusions de l'étude.

Bien que l'analyse de sensibilité pour les études appariées (un traité, un contrôle) soit bien établie avec des solutions sous forme fermée pour les p-valeurs du pire cas et la sensibilité de conception, l'extension de ces méthodes à des études avec plusieurs contrôles (ensembles appariés avec $n_i > 2$) présente des obstacles techniques importants. L'approche prédominante, l'« algorithme séparable » (Gastwirth et al., 2000), nécessite la résolution de $I$ problèmes d'optimisation pour trouver le pire schéma de confusion non mesurée. Crucialement, pour $n_i > 2$, cet algorithme ne produit pas d'expression sous forme fermée pour l'espérance du pire cas, et le pire schéma change à mesure que le paramètre de sensibilité $\Gamma$ varie. Ce manque de solutions sous forme fermée entrave le calcul analytique de la « sensibilité de conception » (Rosenbaum, 2004) — une métrique décrivant la capacité d'une statistique de test à distinguer les effets de traitement du biais — forçant le recours à des simulations de Monte Carlo pour les comparaisons théoriques.

Méthodologie
Le papier introduit une procédure d'« analyse de sensibilité par inclinaison » (tilted sensitivity analysis). Pour tout candidat de statistique de test $T = \sum Z_{ij}q_{ij}$, la méthode définit une statistique modifiée, ou « inclinée », $T_{\Gamma i}$ pour chaque ensemble apparié $i$ :
$$T_{\Gamma i} = T_i - \bar{q}_i - \left(\frac{\Gamma - 1}{1 + \Gamma}\right)|T_i - \bar{q}_i|$$
où $T_i$ est la statistique originale pour l'ensemble $i$, et $\bar{q}_i$ est la moyenne des scores $q_{ij}$ au sein de cet ensemble.

Cette modification est construite de telle sorte que le pire schéma de confusion non mesurée (le vecteur $u$ maximisant l'espérance sous l'hypothèse nulle stricte) soit à la fois disponible sous forme fermée et invariant par rapport à la valeur de $\Gamma$. Spécifiquement, le facteur de confusion du pire cas assigne $u_{ij}=1$ si $q_{ij} > \bar{q}_i$ et $u_{ij}=0$ sinon. Sous ce schéma spécifique, l'espérance de la statistique inclinée est nulle, et sa variance est donnée par une expression sous forme fermée.

Le papier démontre que cette approche unifie les méthodes existantes :

1. Statistiques de score de signe : Pour les statistiques ne prenant que deux valeurs (par exemple, dans les plans appariés ou les tests de Mantel-Haenszel), l'approche par inclinaison reproduit exactement l'analyse de sensibilité conventionnelle.
2. Pondération par l'inverse de la probabilité (IPW) : La statistique inclinée est montrée comme étant équivalente à une statistique IPW centrée sur le minimax, ne différant que par un poids par ensemble apparié.

Contributions clés

1. Distribution du pire cas sous forme fermée : Contrairement à l'algorithme séparable, l'approche par inclinaison fournit une expression sous forme fermée pour l'espérance et la variance du pire cas pour n'importe quelle structure appariée, y compris celles avec plusieurs contrôles. Cela élimine le besoin d'optimisation itérative dans l'étape d'analyse de sensibilité.
2. Sensibilité de conception sous forme fermée : Le papier dérive une expression sous forme fermée de la sensibilité de conception de la statistique inclinée pour toute structure appariée :
   $$\tilde{\Gamma}_{tilt} = \frac{\eta + \theta}{\eta - \theta}$$
   où $\theta$ est la limite de probabilité de la contribution moyenne du traitement et $\eta$ est la limite de probabilité de la contribution absolue moyenne. Cela permet des comparaisons analytiques de statistiques de test concurrentes, ce qui était auparavant irréalisable pour les conceptions à plusieurs contrôles sans simulation.
3. Combinaison adaptative : Le papier propose une procédure adaptative qui combine les approches inclinées et conventionnelles. En utilisant un cadre de test unilatéral multivarié (Cohen et al., 2020), cette méthode pondère de manière adaptative les deux statistiques pour obtenir une sensibilité de conception qui n'est pas inférieure au maximum des deux approches individuelles, protégeant ainsi contre la sélection a priori d'une méthode sous-optimale.

Résultats

• Comparaisons théoriques : À travers des dérivations analytiques et des simulations de Monte Carlo, le papier montre que l'approche par inclinaison améliore généralement la sensibilité de conception par rapport à l'approche conventionnelle pour les distributions d'erreurs symétriques et à asymétrie positive (droite). Inversement, pour les distributions à asymétrie négative (gauche), l'approche conventionnelle conserve souvent une sensibilité de conception supérieure.
• Effet des contrôles : Pour les statistiques de type $m$ (une classe incluant la différence de moyennes et les tests de rang), la sensibilité de conception de l'approche par inclinaison est non décroissante par rapport au nombre de contrôles appariés $J$, et strictement croissante sous des conditions de base.
• Applications sur des données réelles : Dans cinq exemples de données réelles (couvrant le tabagisme, la consommation de poisson, l'éducation, l'alcool et la consommation légère d'alcool), l'approche par inclinaison a fréquemment produit des valeurs de sensibilité plus élevées (indiquant une plus grande robustesse au biais caché) que l'approche conventionnelle, particulièrement dans les ensembles de données avec des résultats à asymétrie positive ou des statistiques de test spécifiques. L'approche adaptative a généralement performé aussi bien que la meilleure méthode individuelle et nettement mieux que la pire.

Signification
Le papier soutient que l'analyse de sensibilité par inclinaison offre une alternative pratique et théoriquement supérieure pour les études observationnelles appariées avec plusieurs contrôles. En fournissant des solutions sous forme fermée pour la distribution du pire cas et la sensibilité de conception, elle lève les barrières computationnelles et théoriques qui ont limité le développement de l'inférence robuste dans les contextes à plusieurs contrôles. La capacité de comparer analytiquement les sensibilités de conception facilite une meilleure conception d'étude et la sélection de statistiques de test plus robustes. De plus, la combinaison adaptative garantit que les chercheurs n'ont pas à choisir entre les méthodes inclinées et conventionnelles a priori, fournissant un garde-fou contre les choix méthodologiques sous-optimaux tout en maintenant ou en améliorant la robustesse rapportée des conclusions observationnelles.