📊 statistics

Doubly robust identification of treatment effects from multiple environments

Cet article présente RAMEN, un algorithme qui réalise une identification doublement robuste des effets de traitement à partir de multiples environnements observationnels en exploitant l'hétérogénéité des données et des hypothèses d'invariance, sans nécessiter la connaissance du graphe causal sous-jacent.

Auteurs originaux : Piersilvio De Bartolomeis, Julia Kostin, Javier Abad, Yixin Wang, Fanny Yang

Publié 2026-05-04

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Piersilvio De Bartolomeis, Julia Kostin, Javier Abad, Yixin Wang, Fanny Yang

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 soyez médecin essayant de déterminer si un nouveau médicament fonctionne réellement. La référence absolue est l'essai randomisé : vous lancez une pièce pour décider qui reçoit le médicament et qui reçoit un placebo. Cela élimine tout le « bruit » et garantit que toute différence de santé est réellement due au médicament.

Mais dans le monde réel, nous ne pouvons souvent pas faire cela. Peut-être que c'est trop coûteux, contraire à l'éthique, ou que les données dont nous disposons proviennent simplement de personnes qui ont pris le médicament de leur propre initiative (données observationnelles). Le problème avec ces données « réelles » est qu'elles sont désordonnées. Les personnes qui prennent le médicament peuvent être différentes de celles qui ne le prennent pas d'autres manières (comme l'âge, l'alimentation ou le revenu). Ces différences sont appelées facteurs de confusion, et elles peuvent vous tromper en vous faisant croire que le médicament fonctionne alors qu'il ne fonctionne pas, ou vice versa.

Pour résoudre ce problème, les statisticiens tentent généralement de « corriger » ces différences en examinant toutes les informations disponibles (covariables). Mais voici le hic : parfois, examiner les mauvaises informations aggrave le problème.

Le problème du « mauvais contrôle »

Imaginez la chaîne causale comme une rivière qui coule d'une cause vers un effet.

Bons contrôles : Ce sont comme des barrages que vous construisez avant que la rivière ne commence. Ils empêchent l'eau de faire un détour.
Mauvais contrôles : Ce sont comme des barrages que vous construisez après que la rivière se soit déjà divisée. Si vous bloquez un chemin qui devait rester ouvert, vous créez un reflux étrange qui fausse votre mesure.

Un exemple classique tiré de l'article est le poids de naissance. Si vous voulez savoir si le tabagisme pendant la grossesse nuit à la santé d'un bébé, le poids de naissance est un « mauvais contrôle ». Pourquoi ? Parce que le tabagisme cause un faible poids de naissance. Si vous essayez de « corriger » le poids de naissance, vous demandez essentiellement : « Que se passe-t-il pour les bébés qui ont le même poids de naissance, indépendamment du fait que leur mère ait fumé ou non ? » Cela crée une illusion statistique confuse qui cache le vrai danger du tabagisme.

L'article soutient que dans le monde réel, nous ne connaissons souvent pas la carte de la rivière (le graphe causal). Nous ne savons donc pas quelles variables sont de « bons barrages » et lesquelles sont de « mauvais barrages ». Habituellement, les gens ajustent simplement pour tout, espérant le meilleur. Mais comme le montre l'article, cela conduit souvent à des réponses biaisées et erronées.

La solution : Ramen (Identification robuste de l'effet moyen de traitement à partir de multiples environnements)

Les auteurs proposent un nouvel algorithme appelé Ramen. Au lieu d'avoir besoin d'une carte parfaite de la rivière, Ramen utilise une stratégie différente : il observe la rivière sous plusieurs angles différents (plusieurs environnements).

Imaginez que vous essayez de comprendre comment fonctionne une machine, mais que vous ne pouvez pas voir à l'intérieur.

Méthode A (Ancienne méthode) : Vous essayez de deviner les engrenages internes basés sur une seule vue. Si vous vous trompez sur un engrenage, toute votre théorie échoue.
Méthode B (Ramen) : Vous observez la machine en fonctionnement dans cinq usines différentes. Dans l'usine 1, le bruit est fort. Dans l'usine 2, la température est élevée. Dans l'usine 3, l'alimentation électrique fluctue.

L'idée clé de Ramen est la suivante : la véritable relation de cause à effet reste la même (invariante) à travers ces différentes usines, même si le bruit de fond change.

Ramen cherche un ensemble de variables (un « groupe témoin ») qui se comporte de manière cohérente à travers tous ces environnements différents.

Si la relation entre le traitement et le résultat est stable à travers tous les environnements lorsque vous examinez un ensemble spécifique de variables, Ramen dit : « Aha ! C'est le bon ensemble à utiliser. »
Si la relation change radicalement, cela signifie que vous examinez les mauvaises variables (peut-être un « mauvais contrôle » ou un facteur de confusion).

Le super-pouvoir de la « double robustesse »

L'article affirme que Ramen est « doublement robuste ». Imaginez cela comme avoir deux clés différentes pour ouvrir une porte verrouillée. Vous n'avez besoin que l'une d'elles pour fonctionner afin d'obtenir la réponse :

Clé A : Vous avez observé toutes les causes directes du Traitement (le médicament).
Clé B : Vous avez observé toutes les causes directes du Résultat (le résultat de santé).

Si vous avez les données pour l'une ou l'autre de ces deux catégories, Ramen peut trouver la bonne réponse, même s'il existe des variables cachées (facteurs de confusion non observés) ou des « mauvais contrôles » qui perturbent les choses. Peu importe si vous ne connaissez pas toute la carte ; tant que vous avez les bons « points d'ancrage » dans l'une de ces deux zones, l'algorithme peut déterminer la vérité.

Comment cela fonctionne (Le tour de magie)

Ramen utilise une « fonction de perte » mathématique (un tableau de scores) pour tester différentes combinaisons de variables.

Il tente de trouver une combinaison de variables où l'erreur de prédiction est la même à travers tous les environnements.
Il utilise une astuce ingénieuse appelée « astuce Gumbel » (un peu comme une version lisse et continue du lancer de pièce) pour parcourir rapidement des millions de combinaisons possibles de variables sans rester bloqué.
Il dit essentiellement : « Je ne sais pas quelles variables sont bonnes, alors je vais les essayer toutes et choisir celles qui restent cohérentes, peu importe comment l'environnement change. »

Les résultats

Les auteurs ont testé Ramen sur :

Données factices : Où ils connaissaient la vraie réponse. Ramen a trouvé la bonne réponse presque à chaque fois, tandis que d'autres méthodes se trompaient lorsque des « mauvais contrôles » étaient présents.
Données réelles (IHDP) : Un ensemble de données sur la santé des nourrissons. Ramen a mieux performé que les méthodes existantes.
Données réelles (Tabagisme maternel) : Une étude sur le tabagisme et le poids de naissance. Ramen a estimé que le tabagisme réduit le poids de naissance d'environ 200 à 250 grammes. Cela correspond à ce que les experts médicaux du monde réel savent déjà. D'autres méthodes ont soit surestimé, soit sous-estimé cet effet.

La conclusion

Ramen est un nouvel outil pour trouver la vérité dans des données réelles et désordonnées. Il ne vous oblige pas à être un génie qui connaît toute la carte causale. Au lieu de cela, il utilise le fait que la nature se comporte de manière cohérente à travers différents contextes pour filtrer le bruit et les « mauvais contrôles », vous donnant une estimation fiable de la cause et de l'effet même lorsque vous ne pouvez pas tout voir.

Limitations mentionnées dans l'article :

Il a besoin de suffisamment d'« environnements » différents (sources de données) pour bien fonctionner.
Il peut devenir lourd en termes de calcul si vous avez des milliers de variables.
Il suppose qu'il n'y a pas de « médiateurs » (variables strictement situées au milieu de la chaîne de cause à effet) que vous incluriez accidentellement dans votre ensemble de correction.

1. Énoncé du problème

L'article aborde le défi de l'estimation des effets moyens du traitement (ATE) à l'aide de données observationnelles dans des scénarios où :

Le graphe causal est inconnu : Les praticiens ne peuvent pas s'appuyer sur des connaissances préalables pour sélectionner des ensembles de ajustement valides.
Des mauvais contrôles existent : L'ensemble de données comprend des variables post-traitement (colliders ou descendants du traitement) qui, si elles sont ajustées, introduisent un biais (par exemple, un biais de collider).
Des confondants non observés existent : Il existe des variables latentes ( $U$ ) affectant à la fois le traitement ( $T$ ) et le résultat ( $Y$ ).
Limitations de la source unique : Les méthodes standard (comme l'ajustement pour toutes les covariables) échouent lorsque des mauvais contrôles sont présents, et les méthodes existantes s'appuyant sur plusieurs environnements nécessitent souvent une observabilité complète du graphe causal ou des connaissances structurelles spécifiques (par exemple, des parents connus).

La difficulté fondamentale est que, sans connaître la structure causale, il est impossible de distinguer les "bons contrôles" (confondants pré-traitement) des "mauvais contrôles" (variables post-traitement) à l'aide d'un seul ensemble de données.

2. Méthodologie : Ramen

Les auteurs proposent Ramen (Robust ATE identification from Multiple ENvironments), un algorithme qui exploite l'hétérogénéité à travers plusieurs environnements (par exemple, différents pays, périodes de temps ou sous-populations) pour identifier l'ATE sans avoir besoin du graphe causal complet.

Hypothèses clés

Absence de médiateurs : Il n'y a pas de médiateurs observés entre $T$ et $Y$ (Hypothèse 3.1).
Nœud invariant (Double robustesse) : Au moins l'une des conditions suivantes est vérifiée à travers les environnements ( $e \in \mathcal{E}$ $e \in E$ ) :
- Invariance du traitement : Tous les parents de $T$ sont observés, et la moyenne conditionnelle $E[T | Pa(T)]$ est invariante à travers les environnements.
- Invariance du résultat : Tous les parents de $Y$ sont observés, et la moyenne conditionnelle $E[Y | Pa(Y)]$ est invariante à travers les environnements.
- Note : La méthode ne nécessite pas de savoir quel nœud est invariant ; elle le recherche.
Condition d'identification (Hétérogénéité) : Les environnements doivent présenter des décalages distributionnels suffisants (hétérogénéité) tels que si un sous-ensemble de covariables produit une moyenne conditionnelle invariante, ce sous-ensemble doit capturer efficacement les parents du nœud invariant (Hypothèse 4.1).

L'estimateur

Ramen définit un estimande doublement robuste $\theta_e(S)$ pour un sous-ensemble sélectionné de covariables $S$ :
$\theta_e(S) = E\left[ \bar{\mu}_1(X_S) - \bar{\mu}_0(X_S) + \frac{(Y - \bar{\mu}_1(X_S))T}{\bar{\pi}(X_S)} - \frac{(Y - \bar{\mu}_0(X_S))(1-T)}{1-\bar{\pi}(X_S)} \right]$
Où $\bar{\mu}_t$ et $\bar{\pi}$ sont des fonctions de résultat conditionnel et de score de propension regroupées.

Optimisation via la perte d'invariance

Pour trouver l'ensemble de ajustement valide $S$ , Ramen minimise une perte d'invariance. L'algorithme recherche un sous-ensemble $S$ tel que la moyenne conditionnelle de $T$ ou de $Y$ étant donné $S$ soit invariante à travers les environnements.

Fonction de perte : La perte mesure l'écart des moments conditionnels à travers les environnements en utilisant une approche noyau (Espace de Hilbert à noyau reproduisant - RKHS).
$J_S(Z; V) = \max_{e \in \mathcal{E}} \left\| E_{P_e}[(V - m_S(Z; V)) k(\cdot, Z_S)] \right\|_{\mathcal{H}}^2$
Double robustesse : L'algorithme minimise $\min_S \{ J_S(Z; T), J_S(Z; Y) \}$ . Si soit $T$ soit $Y$ satisfait l'hypothèse d'invariance, le minimiseur identifiera un ensemble de ajustement valide (les parents du nœud invariant).

Algorithmes

L'article propose deux implémentations pour résoudre le problème de sélection de sous-ensemble :

Recherche combinatoire : Explore exhaustivement les sous-ensembles (faisable pour des données de faible dimension).
Relaxation différentiable (Astuce Gumbel) : Pour des données de haute dimension, elle relâche la sélection de sous-ensemble discrète en un problème d'optimisation continu. Elle utilise une approximation Gumbel-Softmax pour créer des masques binaires différentiables pour les covariables, permettant à la descente de gradient d'optimiser la perte d'invariance.

3. Contributions clés

Première identification doublement robuste dans ce contexte : Ramen est le premier algorithme à réaliser l'identification ponctuelle des ATE en présence de à la fois de mauvais contrôles et de confondants non observés en utilisant plusieurs environnements, sans nécessiter le graphe causal complet.
Nouvelle double robustesse : Contrairement à la double robustesse classique (qui protège contre une mauvaise spécification du modèle), la robustesse de Ramen protège contre une observabilité partielle. Elle réussit si soit les parents de $T$ soit les parents de $Y$ sont observés et invariants.
Assouplissement de l'observabilité : Elle améliore les travaux antérieurs (par exemple, Shi et al., 2021) en ne nécessitant pas que les parents de la variable de résultat soient entièrement observés ; elle peut fonctionner si les parents du traitement sont observés à la place.
Optimisation évolutive : L'introduction de l'astuce Gumbel permet à la méthode de s'adapter à des espaces de covariables de haute dimension où la recherche combinatoire est intraitable.

4. Résultats expérimentaux

Les auteurs ont évalué Ramen sur des ensembles de données synthétiques, semi-synthétiques et réels :

Expériences synthétiques (DAGs connus) :
- Ramen a constamment obtenu une faible erreur absolue moyenne (MAE) dans des scénarios où l'invariance $T$ , l'invariance $Y$ , ou les deux, étaient vérifiées.
- Les lignes de base comme l'ajustement pour toutes les covariables ( $\hat{\theta}_{all}$ ) ont échoué lorsque des mauvais contrôles (colliders/descendants) étaient présents.
- La ligne de base IRM ( $\hat{\theta}_{irm}$ ) a échoué de manière significative lorsque $T$ était le nœud invariant (car l'IRM suppose généralement l'invariance du résultat).
DAGs aléatoires de haute dimension :
- Ramen a surpassé toutes les lignes de base à travers un nombre variable d'environnements et de topologies de graphes.
- La version différentiable ( $\hat{\theta}_{insta-}$ ) a performé presque aussi bien que la version combinatoire mais s'est adaptée à des dimensions plus élevées.
Semi-synthétique (jeu de données IHDP) :
- Ramen s'est aligné sur les prédictions théoriques, montrant une robustesse lorsque des invariances spécifiques étaient rompues, tandis que les lignes de base souffraient d'un biais élevé.
Réel (Tabagisme maternel et poids de naissance) :
- Appliqué au jeu de données Cattaneo2 (4 642 patients).
- Ramen a estimé une réduction du poids de naissance de ~215 grammes pour les mères fumeuses.
- Cela correspond à la littérature épidémiologique établie (réduction de 200 à 250 g).
- Les lignes de base ( $\hat{\theta}_{all}$ , $\hat{\theta}_{irm}$ ) ont sous-estimé l'effet, tandis que la ligne de base non ajustée ( $\hat{\theta}_{null}$ ) l'a surestimé, démontrant la capacité de Ramen à corriger les mauvais contrôles (variables post-traitement comme les complications de la naissance).

5. Importance et limites

Importance :

Ramen fournit une solution pratique pour l'inférence causale dans des contextes réels complexes où les graphes causaux sont inconnus et les données sont désordonnées (contenant des variables post-traitement).
Il comble le fossé entre la généralisation de domaine (apprentissage d'invariance) et l'inférence causale (estimation de l'effet du traitement).
Il offre une alternative robuste aux essais randomisés lorsque des contraintes éthiques ou financières les empêchent.

Limites :

Fléau de la dimensionnalité : Les méthodes basées sur les noyaux peuvent être coûteuses en calcul dans des dimensions très élevées.
Exigence d'hétérogénéité : La méthode nécessite des décalages distributionnels suffisants à travers les environnements (Hypothèse 4.1). Si les environnements sont trop similaires, l'identification échoue.
Optimisation heuristique : L'astuce Gumbel est une relaxation heuristique ; bien qu'efficace, elle ne garantit pas de trouver l'optimum global du problème de sous-ensemble discret.
Médiateurs : La méthode suppose qu'aucun médiateur observé n'existe entre $T$ et $Y$ . Si des médiateurs sont présents, l'estimande change d'ATE vers un effet direct contrôlé.

En conclusion, Ramen représente une avancée significative dans l'inférence causale, permettant une estimation non biaisée de l'effet du traitement dans des données observationnelles "désordonnées" en exploitant la stabilité structurelle (invariance) des mécanismes causaux à travers des environnements divers.