📊 statistics

Simulating Complex Crossectional and Longitudinal Data using the simDAG R Package

Cet article présente le package R **simDAG**, un outil standardisé qui simplifie la génération de données transversales et longitudinales complexes en utilisant des équations structurelles dans des graphes acycliques dirigés afin de prendre en charge divers types de données, des relations non linéaires et des dépendances arbitraires pour des études de simulation de Monte-Carlo.

Auteurs originaux : Robin Denz, Nina Timmesfeld

Publié 2026-06-02

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Robin Denz, Nina Timmesfeld

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 êtes un chef essayant de tester une nouvelle recette. Avant de servir le plat à de vrais clients, vous devez savoir si vos ingrédients se marieront bien ensemble. Dans le monde des statistiques, les chercheurs font la même chose : ils exécutent des « simulations » pour tester si leurs recettes mathématiques (méthodes statistiques) fonctionnent correctement. Pour ce faire, ils doivent créer des données fictives qui ressemblent et se comportent exactement comme le monde réel.

Le problème ? Créer ces données fictives, c'est comme essayer de construire un château en Lego complexe où chaque brique dépend de la précédente, et où certaines briques changent de forme au fil du temps. C'est fastidieux, sujet aux erreurs et cela nécessite de solides compétences en programmation.

Entrez en scène simDAG, un nouvel outil (un package R) qui agit comme un « constructeur de plans intelligents » pour ces données fictives. Voici comment il fonctionne, expliqué simplement :

1. Le Plan : Le DAG

Au lieu d'écrire des milliers de lignes de code pour générer des nombres, vous dessinez une carte appelée Graphe Acyclique Dirigé (DAG).

Pensez à un arbre généalogique : Vous avez une « racine » (comme un parent) et des « enfants » (des variables qui dépendent du parent).
La Règle : Les flèches ne vont que dans un seul sens (du parent vers l'enfant), et il n'y a pas de boucles (vous ne pouvez pas être votre propre ancêtre).
Ce qu'il fait : Cette carte indique à l'ordinateur exactement comment les variables sont connectées. Par exemple, « Le tabagisme cause le cancer du poumon », ou « L'âge affecte à la fois le tabagisme et le cancer du poumon ».

2. La Recette : Les Équations Structurelles

Une fois que vous avez la carte, vous devez dire à l'ordinateur comment construire les données. Dans simDAG, vous attachez une « recette » à chaque nœud (variable) de votre carte.

Nœuds Racines (Le Départ) : Ce sont des variables qui n'ont pas de parents (comme un lancer de pièce ou un nombre aléatoire). Vous dites simplement : « Génère un nombre aléatoire entre 0 et 1 ».
Nœuds Enfants (Les Dépendants) : Ces variables dépendent d'autres variables. Vous pouvez dire : « Prends la valeur de "Tabagisme" et ajoute 20 % pour obtenir le "Risque de cancer du poumon" ».
La Magie : Vous n'avez pas besoin d'être un magicien du code. Vous pouvez utiliser des formules simples (comme y = 2x + 5) ou même des fonctions complexes. Le package s'occupe de tout le travail difficile pour calculer les chiffres basés sur votre carte.

3. La Machine à Remonter le Temps : Les Données Longitudinales

La plupart des données fictives ne sont qu'un instantané (comme une photo). Mais parfois, les chercheurs ont besoin d'un film (données longitudinales) pour voir comment les choses évoluent dans le temps.

L'ancienne méthode : Il fallait dessiner une nouvelle carte pour chaque jour, semaine ou année. Si vous vouliez simuler 100 jours, vous deviez dessiner 100 cartes distinctes. C'était comme dessiner une bande dessinée à la main, image par image.
La méthode simDAG : Elle utilise une Simulation en Temps Discret. Imaginez un tapis roulant qui se déplace à travers le temps. Au lieu de dessiner chaque image, vous donnez une règle à la machine : « À chaque fois que le tapis bouge, vérifie si un événement se produit ».
- Exemple : Si vous simulez un vaccin, la machine vérifie chaque jour : « Cette personne a-t-elle été vaccinée ? Si oui, son risque d'effets secondaires augmente-t-il pour les 20 jours suivants ? »
- Cela permet aux chercheurs de simuler des années de données (des milliers de points temporels) pour des milliers de personnes sans avoir à redessiner la carte à chaque fois.

4. Pourquoi cela importe

L'article démontre que simDAG peut gérer :

Des Ingrédients Mixtes : Il peut générer des nombres continus (comme la taille), des catégories (comme « oui/non »), des comptages (comme le « nombre de visites à l'hôpital ») et des données de type survie/temps-jusqu'à l'événement (comme « le temps avant une crise cardiaque »), le tout dans la même simulation.
Des Relations Complexes : Il gère les relations non linéaires (où doubler l'entrée ne signifie pas simplement doubler la sortie) et les interactions (où deux variables travaillent ensemble pour créer un troisième effet).
Une Réplication du Monde Réel : Les auteurs ont montré qu'ils pouvaient recréer les processus complexes de génération de données provenant d'études scientifiques réelles et publiées, prouvant que l'outil est assez puissant pour la recherche sérieuse.

Le Bémol (Coût Computationnel)

L'article admet que simuler le temps étape par étape est comme regarder un film image par image ; cela demande plus de puissance de calcul que de simplement regarder une photo fixe. Cependant, les auteurs ont conçu l'outil pour qu'il soit très rapide (en utilisant un moteur spécial appelé data.table) afin qu'il puisse fonctionner sur un ordinateur de bureau standard sans nécess avoir besoin d'un supercalculateur.

En Résumé

simDAG est un outil qui permet aux chercheurs de dessiner une carte simple de la façon dont les variables sont connectées, puis de générer automatiquement des données fictives complexes et réalistes basées sur cette carte. Il transforme le processus difficile et manuel de construction de données de simulation en un flux de travail rationalisé et standardisé, rendant plus facile pour les scientifiques de tester leurs théories et de s'assurer que leurs méthodes statistiques fonctionnent correctement.

Résumé technique : Simulation de données transversales et longitudinales complexes à l'aide du package R `simDAG`

Énoncé du problème
Les études de simulation de Monte-Carlo sont fondamentales pour la recherche statistique afin d'estimer les tailles d'échantillons, de comparer des méthodes et de planifier des essais cliniques. Un goulot d'étranglement critique dans ces études est la génération de données artificielles à partir de processus de génération de données (DGP) complexes. Les chercheurs ont souvent besoin de données contenant de multiples variables de types variés (continues, binaires, de comptage, de temps de survie) avec des dépendances causales complexes, des relations non linéaires et des interactions. Bien que des packages R existants facilitent la génération de données synthétiques, ils manquent souvent de flexibilité : les packages d'équations structurelles (par exemple, lavaan, simsem) restreignent généralement les utilisateurs à des relations linéaires et des données continues ; les packages spécialisés en temps de survie (par exemple, simsurv, survsim) échouent souvent à supporter des mélanges arbitraires de types de données ou des covariables dépendantes du temps ; et les outils de simulation généraux peuvent manquer de la syntaxe spécifique requise pour les définitions basées sur des DAG (graphes acycliques dirigés). De plus, générer des données longitudinales avec de nombreux points temporels à l'aide de méthodes traditionnelles nécessite souvent des définitions de code répétitives et fastidieuses pour chaque étape temporelle, rendant les simulations à grande échelle informatiquement et pratiquement irréalisables.

Méthodologie
Le document présente simDAG, un package R conçu pour standardiser la génération de données transversales et longitudinales basées sur des graphes acycliques dirigés (DAG). La méthodologie repose sur trois composantes principales :

Définition basée sur un DAG : L'utilisateur définit le DGP comme un DAG causal où les nœuds représentent des variables aléatoires et les arêtes représentent des relations causales dirigées. Le package exige que l'utilisateur spécifie des équations structurelles pour chaque nœud, décrivant sa distribution conditionnellement à ses nœuds parents.
Tri topologique et génération : Le package utilise un algorithme par étapes qui effectue un tri topologique du DAG. Il génère les données pour les nœuds racines (ceux sans parents) en échantillonnant à partir de distributions paramétriques spécifiées ou de fonctions définies par l'utilisateur. Par la suite, il génère les données pour les nœuds enfants en fonction des valeurs de leurs parents et des équations structurelles définies.
Simulation en temps discret pour les données longitudinales : Pour répondre au défi des données longitudinales avec de nombreux points temporels, simDAG implémente une approche de simulation en temps discret. Au lieu de définir un nœud séparé pour chaque point temporel, l'utilisateur définit un nœud unique dépendant du temps à l'aide de la fonction node_td(). Ce nœud est simulé sur un nombre spécifié de pas de temps ( $t$ $t$ ), permettant la génération de données à échelle de temps semi-continue. Cette approche supporte :
- Types de données arbitraires : Support des variables binaires, catégorielles, de comptage et continues, ainsi que des données de temps de survie.
- Dépendances complexes : Relations non linéaires, interactions et fonctions arbitraires définies par l'utilisateur pour la génération de probabilités.
- Dynamique d'événements : Types de nœuds spécialisés (time_to_event, competing_events) qui gèrent les événements récurrents, les risques concurrents et les covariables dépendantes du temps en effectuant des essais de Bernoulli ou multinomiaux à chaque pas de temps.
- Transformation de données : La fonction sim2data() convertit la sortie de simulation interne en formats standards (large, long ou start-stop) adaptés à l'analyse de survie (par exemple, modèles de Cox avec covariables dépendantes du temps).

Contributions clés
La contribution principale du document est le package simDAG, qui offre un cadre unifié pour la génération de données faisant le pont entre la modélisation d'équations structurelles simple et la simulation longitudinale complexe. Les caractéristiques clés incluent :

Syntaxe standardisée : Une interface de formule claire qui permet aux utilisateurs de définir des équations structurelles similaires aux modèles de régression standards, supportant la syntaxe des modèles mixtes et les fonctions personnalisées.
Flexibilité longitudinale : La capacité de simuler des données longitudinales avec des centaines de points temporels efficacement en définissant des équations structurelles génériques dépendantes du temps plutôt qu'en étendant manuellement le graphe pour chaque pas de temps.
Types de nœuds complets : Implémentation d'un large éventail de types de nœuds (Tableau 1 dans l'article), incluant des fonctions spécialisées pour l'analyse de survie (Cox, AFT, modèles paramétriques) et des processus binaires/catégoriels dépendant du temps.
Reproductibilité et transparence : Des fonctions intégrées (plot.DAG, summary.DAG) permettent la représentation graphique et textuelle du DAG sous-jacent et des équations structurelles, facilitant la documentation et la reproductibilité des études de simulation.

Résultats
Les auteurs démontrent les capacités du package en reproduisant les DGP de plusieurs études de simulation de Monte-Carlo réelles :

Données transversales : Le package a réussi à reproduire un DGP complexe de Denz et al. (2023a) impliquant six covariables (binaires et continues), une variable de traitement et un résultat de temps de survie censuré à droite avec des termes non linéaires et des interactions.
Données longitudinales (peu de points temporels) : Le package a reproduit une étude de Gruber et al. (2015) impliquant un traitement et des facteurs de confusion variant dans le temps, démontrant la capacité de gérer les effets décalés et les multiples points temporels en utilisant des appels node() standards.
Données longitudinales (nombreux points temporels) : Les auteurs ont simulé un scénario complexe impliquant la vaccination contre la Covid-19 et des événements récurrents de myocardite sur 730 jours (2 ans). Cela a démontré la capacité de l'approche en temps discret à gérer les probabilités dépendantes du temps, les périodes d'immunité et les événements récurrents. Les données résultantes ont été transformées avec succès en format start-stop et analysées à l'aide d'un modèle de risques proportionnels de Cox, produisant un hazard ratio cohérent avec le risque relatif spécifié.
Performance computationnelle : Les tests de performance indiquent que, bien que la simulation en temps discret soit intensive en calcul, la dépendance du package au package data.table et à une gestion optimisée de la mémoire permet de générer de grands ensembles de données (par exemple, 10 000 individus sur 730 points temporels) dans des délais raisonnables (environ 1,11 seconde pour une configuration spécifique sur un CPU standard). Le temps d'exécution augmente de manière non linéaire avec le nombre de points temporels en raison des itérations de boucles, mais de manière linéaire avec le nombre d'individus grâce aux opérations vectorisées.

Signification et affirmations
Le document affirme que simDAG fournit une « approche standardisée » pour générer des données complexes, réduisant considérablement la charge de programmation et l'expertise requises pour implémenter des DGP sophistiqués. Les auteurs soulignent que le package est particulièrement adapté aux études de simulation impliquant l'inférence causale en raison de son fondement sur les DAG, mais n'est pas limité à ce domaine.

La signification de ce travail réside dans sa capacité à :

Automatiser les flux de travail complexes : Il permet aux chercheurs de définir des dépendances et des types de données arbitraires sans écrire d'algorithmes de simulation personnalisés à partir de zéro.
Permettre les simulations en temps discret : Il rend la génération de données longitudinales avec des échelles de temps à haute résolution réalisable pour les études de Monte-Carlo standards, une tâche souvent évitée en raison de la complexité computationnelle ou de la difficulté de codage.
Améliorer la reproductibilité : En formalisant le DGP sous la forme d'un DAG avec des équations structurelles explicites, le package aide à la communication transparente des études de simulation.

Les auteurs reconnaissent modestement les limites, notant que la simulation en temps discret est intrinsèquement plus coûteuse en calcul que les méthodes de simulation d'événements discrets. Ils notent également que bien que le package supporte la génération de données imitant des jeux de données existants via dag_from_data(), des packages dédiés comme simPop peuvent être préférables pour ce cas d'usage spécifique. Le document conclut que simDAG comble une lacune critique dans l'écosystème R pour la génération de données flexibles, respectant la causalité et longitudinales.