Résumé Technique : Problèmes de post-traitement et l'estimand TRACE

1. La Problématique (Le Problème)

En recherche expérimentale, les chercheurs s'intéressent souvent à l'effet d'un traitement sur un sous-groupe spécifique défini par une réponse au traitement (ex: ceux qui ont réellement implémenté une politique, ceux qui ont été attentifs à un test, ou ceux qui ont montré un mécanisme biologique spécifique).

Cependant, l'analyse classique pose deux problèmes majeurs :

• Le biais de sélection (Biais de collider) : Conditionner directement sur une variable post-traitement ($M$) introduit un biais de sélection. Si $M$ est influencée par le traitement ($D$) et par des facteurs non observés ($U$) qui affectent aussi le résultat ($Y$), alors $M$ devient un "collider". Conditionner sur $M$ crée une association artificielle entre $D$ et $U$, faussant l'estimation de l'effet causal.
• L'insuffisance des stratégies existantes : Les méthodes comme l'effet causal moyen des compliants (LATE/IV) nécessitent l'hypothèse d'exclusion (le traitement ne doit affecter le résultat que via le médiateur), ce qui est souvent indéfendable car on cherche précisément à mesurer l'effet total (incluant l'effet direct).

2. Méthodologie : L'estimand TRACE

Les auteurs proposent un nouvel estimand : le Treatment Reactive Average Causal Effect (TRACE).

Définition : Le TRACE est l'effet total du traitement pour le sous-groupe qui, s'il était traité, réaliserait une valeur spécifique de la variable post-traitement ($M=1$).
$$\text{TRACE} \equiv E[Y_i(1) - Y_i(0) \mid M_i(1) = 1]$$

Stratégie d'identification :

L'identification est complexe car on ne peut pas observer $M(1)$ dans le groupe de contrôle ($D=0$). Les auteurs proposent une approche en deux étapes :

1. Bornes de troncature sans hypothèse (No-assumption trimming bounds) : Ils établissent des bornes mathématiques strictes basées uniquement sur les données observées et la randomisation, sans aucune hypothèse supplémentaire. Ces bornes sont "sharp" (étroites et précises).
2. Levier par hypothèses sur le groupe "non-réactif" : Pour affiner ces bornes, ils introduisent l'effet du traitement sur ceux qui ne réagiraient pas au traitement ($M(1)=0$), noté $\text{TRACE}(0)$. En postulant des valeurs plausibles pour $\text{TRACE}(0)$ (ex: l'effet est nul pour ceux qui n'implémentent pas le programme), on peut réduire considérablement l'intervalle de confiance du TRACE.

Types d'hypothèses sur $\text{TRACE}(0)$ :

• $\text{TRACE}(0) = 0$ (L'effet nécessite l'activation du mécanisme).
• $|\text{TRACE}(0)| < |\text{TRACE}|$ (L'effet est plus faible chez les non-réactifs).
• $\text{TRACE}(0)$ a un signe opposé (Effet de "backlash" ou de méfiance).

3. Contributions Clés

• Nouvel estimand : Distinction claire entre le LATE (effet local sur les compliants) et le TRACE (effet total sur les compliants et les "always-takers").
• Flexibilité : Contrairement aux modèles de médiation classiques, le TRACE ne nécessite pas l'hypothèse d'absence de confusion entre le médiateur et le résultat ($M \perp \perp Y \mid D, X$).
• Cadre de décision : La méthode permet de tester la plausibilité de conclusions : "Quelle valeur de $\text{TRACE}(0)$ devrais-je supposer pour que mon résultat soit significatif ?"

4. Résultats et Applications

Les auteurs illustrent la méthode via trois cas :

1. Violence policière (Identification ponctuelle) : Dans un contexte où la violence ($Y$) ne peut survenir que s'il y a un contrôle routier ($M$), et en supposant que l'effet est nul si aucun contrôle n'a lieu, ils démontrent qu'il est possible d'identifier précisément l'effet de la perception de la race par la police sur la violence.
2. Police communautaire au Liberia (Interprétation des résultats nuls) : Une étude montrait un effet nul sur la criminalité globale malgré un effet sur la violence de foule. Le TRACE permet de démontrer que l'effet est probablement réel pour les communautés ayant implémenté le programme, mais que l'effet global est "dilué" par les communautés n'ayant pas implémenté le mécanisme.
3. Droits des personnes transgenres (Mécanisme d'intérêt) : En analysant l'effet du porte-à-porte sur le soutien législatif, le TRACE permet de quantifier l'effet sur ceux dont les sentiments ont évolué positivement, évitant ainsi les biais liés à la mesure de l'évolution des attitudes.

5. Signification et Importance

Cette recherche est cruciale pour les sciences politiques et sociales où l'implémentation parfaite d'un traitement est rare. Elle offre un cadre rigoureux pour :

• Évaluer l'efficacité réelle d'une intervention là où elle est censée fonctionner.
• Expliquer les échecs apparents (résultats nuls) en distinguant un manque d'efficacité intrinsèque d'un problème de mise en œuvre.
• Fournir une analyse de sensibilité transparente, permettant aux chercheurs de rapporter non pas une valeur unique potentiellement biaisée, mais une plage de valeurs causalement plausibles.