📊 statistics

Sensitivity of weighted least squares estimators to omitted variables

Cet article introduit un cadre d'analyse de sensibilité sans distribution pour les estimateurs de moindres carrés pondérés qui quantifie l'impact de la confusion inobservée sur les estimations d'effets causaux à l'aide de statistiques intuitives de $R^2$ partiel pondéré et fournit des bornes formelles ainsi que des procédures d'inférence ajustées applicables à tout schéma de pondération non négatif.

Auteurs originaux : Leonard Wainstein, Chad Hazlett

Publié 2026-08-19

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Leonard Wainstein, Chad Hazlett

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

Dans le monde des sciences sociales, les chercheurs tentent souvent de répondre à une question simple mais tenace : un événement spécifique provoque-t-il un changement spécifique dans la vie des gens ? Imaginez que l'on cherche à comprendre si l'expérience de la violence modifie le désir de paix d'une personne. Dans une expérience parfaite, les scientifiques assigneraient de manière aléatoire certains individus à faire face à la violence et d'autres à rester en sécurité, puis compareraient leurs attitudes. Cette assignation aléatoire garantit que les deux groupes sont identiques par ailleurs, de sorte que toute différence dans leurs opinions puisse être imputée uniquement à la violence. Cependant, dans le monde réel, nous ne pouvons pas forcer les gens à vivre de telles situations. Nous ne pouvons qu'observer ce qui s'est déjà produit. Cela crée un problème : les personnes ayant subi la violence pouvaient être différentes de celles qui ne l'ont pas subie avant même que l'événement ne commence. Peut-être vivaient-elles dans des villages plus dangereux, ou peut-être que leur genre les rendait plus susceptibles d'être ciblées. Ces différences préexistantes sont appelées facteurs de confusion. Si les chercheurs ne les prennent pas en compte, ils pourraient penser à tort que la violence a provoqué un changement d'attitude, alors qu'en réalité, ce changement n'est que le reflet de ce que ces personnes étaient dès le départ.

Pour corriger cela, les scientifiques utilisent une technique appelée pondération. Ils examinent les personnes qu'ils ont observées et leur attribuent une importance numérique, ou des poids, afin de rendre le groupe ayant subi la violence statistiquement identique au groupe qui ne l'a pas subie concernant tous les facteurs connus comme l'âge, le genre et la taille du village. Une fois les groupes équilibrés, ils peuvent comparer leurs résultats avec beaucoup plus de confiance. Mais un doute persistant demeure : qu'en est-il des choses que nous n'avons pas mesurées ? Et s'il existait un facteur caché, quelque chose dont les chercheurs n'ont jamais posé la question, qui aurait influencé à la fois qui a été blessé et comment les gens se sentent à propos de la paix ? Si un tel facteur caché existe, l'ensemble de la conclusion pourrait être erroné. Pendant des années, vérifier cette influence cachée a été difficile, surtout en utilisant ces méthodes de pondération complexes. Les chercheurs avaient besoin d'un moyen de demander : « Quelle intensité un facteur caché devrait-il avoir pour changer complètement notre conclusion ? »

Leonard Wainstein et Chad Hazlett ont développé un nouvel ensemble d'outils pour répondre précisément à cette question. Ils ont créé une méthode pour tester la sensibilité des études pondérées à la confusion non observée. Leur approche est distincte car elle ne tente pas de deviner comment le facteur caché modifierait les poids eux-mêmes. Au lieu de cela, elle pose une question plus simple et plus directe : si nous avions inclus ce facteur caché dans notre calcul final, à quel point notre résultat changerait-il ? Ils ont découvert que la réponse dépend de seulement deux nombres intuitifs. Le premier est la mesure de la part de la différence entre les groupes que le facteur caché explique concernant qui a été traité. Le second est la mesure de la part de la différence dans le résultat que le facteur caché explique après avoir pris en compte tout le reste. Ces deux nombres agissent comme un cadran. Les chercheurs peuvent tourner le cadran pour voir quelle force un facteur caché devrait avoir pour faire disparaître leur résultat ou inverser les signes.

Les auteurs ont testé leurs outils sur une étude réelle concernant le conflit au Darfour. Dans cette étude, les chercheurs ont examiné si l'exposition directe à la violence par les forces gouvernementales et les milices changeait les attitudes des réfugiés envers la paix. L'analyse originale suggérait que ceux qui avaient subi des dommages directs étaient en fait plus susceptibles de soutenir la paix. Les chercheurs avaient déjà utilisé la pondération pour équilibrer les groupes en fonction de facteurs connus comme le genre et la localisation du village. Wainstein et Hazlett ont appliqué leurs nouveaux outils de sensibilité à ces données. Ils ont demandé : quelle force un facteur non mesuré devrait-il avoir pour infirmer ce constat ? Ils ont utilisé le « genre » comme référence, un facteur connu qui influence fortement à la fois qui est blessé et comment les gens se sentent à propos de la paix. Ils ont constaté que pour que la conclusion change, un facteur non mesuré devrait être aussi fort que le genre pour prédire qui est blessé, et tout aussi fort pour prédire le résultat. Lorsqu'ils ont simulé un facteur caché avec ce niveau d'influence, le résultat est resté positif et statistiquement significatif. La conclusion a tenu bon.

Cette robustesse n'était pas limitée à une seule façon de calculer les poids. Les auteurs ont testé leur méthode à travers trois approches différentes : une qui utilisait des modèles statistiques pour estimer la probabilité d'être traité, une autre qui appariait les individus un à un en fonction de leurs similitudes, et une troisième qui imposait mathématiquement aux groupes d'avoir des moyennes identiques pour certains traits. Dans chaque cas, le fait que l'exposition à la violence augmentait le soutien à la paix s'est avéré résilient. Même lorsqu'ils imaginaient un facteur caché deux fois plus fort que le genre pour prédire qui était blessé, le résultat pointait toujours dans la même direction, bien que la certitude du résultat soit devenue légèrement plus faible. Les outils ont également révélé que, dans certains scénarios d'appariement, le facteur caché devrait être très puissant pour renverser les résultats, mais que dans d'autres, la marge d'erreur était plus étroite.

La valeur de ce travail réside dans sa transparence et sa flexibilité. Les méthodes précédentes pour vérifier le biais caché exigeaient souvent que les chercheurs fassent des hypothèses lourdes sur la forme des données ou la nature du facteur caché. Ces nouveaux outils ne nécessitent aucune hypothèse de ce type. Ils fonctionnent avec n'importe quel poids non négatif, qu'ils proviennent de l'appariement, de la pondération statistique ou d'autres méthodes. Les chercheurs ont également fourni un progiciel qui permet à d'autres scientifiques d'appliquer facilement ces tests à leurs propres travaux. En transformant la peur abstraite du « biais caché » en un calcul concret, ils permettent aux chercheurs de dire avec clarté : « Notre conclusion est robuste à tout facteur caché qui n'est pas plus fort que X. » Dans l'étude du Darfour, cela signifiait que le lien entre la violence et le désir de paix n'était pas un coup de chance statistique, mais une découverte capable de résister à l'examen d'une influence puissante et invisible. Ce travail ne prouve pas qu'aucun facteur caché n'existe, mais il fournit un moyen rigoureux de mesurer à quel point ces facteurs devraient compter pour changer l'histoire.

Résumé Technique : Sensibilité des estimateurs de moindres carrés pondérés à l'omission de variables

Énoncé du Problème
Dans les études observationnelles, les chercheurs utilisent fréquemment des schémas de pondération (par exemple, la pondération par le score de propension inverse, l'appariement, l'équilibrage des covariables) pour réduire la dépendance vis-à-vis des modèles linéaires estimés et équilibrer les covariables observées ( $X$ ) entre les groupes de traitement ( $D$ ) et de contrôle. Après la pondération, les estimations des effets causaux sont généralement dérivées d'une régression linéaire pondérée de la variable de résultat ( $Y$ ) sur $D$ et $X$ . Cependant, une préoccupation majeure demeure : le potentiel de biais induit par une confusion non observée ( $Z$ ), quel que soit le procédé de pondération utilisé. Les méthodes existantes d'analyse de sensibilité pour les estimateurs pondérés nécessitent souvent que les chercheurs modélisent la manière dont la présence de $Z$ modifierait les poids eux-mêmes (par exemple, comment le modèle de score de propension changerait). Cette approche est complexe, nécessite souvent des hypothèses de distribution spécifiques et limite l'applicabilité à des méthodes de pondération particulières.

Méthodologie
Les auteurs proposent un cadre d'analyse de sensibilité qui découple l'évaluation de la confusion non observée de la génération des poids. Au lieu de demander comment $Z$ modifierait les poids, la méthode demande comment l'inclusion de $Z$ en tant que régresseur dans le modèle de résultat pondéré modifierait l'effet de traitement estimé ( $\hat{\tau}_{wls}$ ), tout en maintenant les poids originaux fixes.

Le cœur de la méthodologie repose sur le cadre du biais de variable omise (OVB) adapté aux moindres carrés pondérés. Le biais de l'estimateur pondéré est montré comme étant une fonction de deux paramètres de sensibilité intuitifs et bornés :

$\hat{R}^2_w(D \sim Z | X)$ : La proportion de la variance pondérée du traitement expliquée par $Z$ étant donné les covariables observées.
$\hat{R}^2_w(Y \sim Z | D, X)$ : La proportion de la variance pondérée du résultat expliquée par $Z$ étant donné le traitement et les covariables observées.

Ces paramètres représentent la force de la relation entre le facteur de confusion non observé et le traitement/le résultat au sein de la distribution empirique pondérée.

Pour faciliter le rapport de routine et l'étalonnage, les auteurs étendent la « valeur de robustesse » (RV) et les statistiques de « scénario extrême » proposées par Cinelli et Hazlett (2020) au contexte pondéré. Ils introduisent une nouvelle procédure d'étalonnage qui compare la force d'un $Z$ hypothétique à celle d'une covariable observée $X^{(j)}$ , en impliquant :

La construction de « semi-poids » ( $w^{(-j)}$ ) en appliquant la procédure de pondération tout en omettant $X^{(j)}$ .
La définition de paramètres de force relative ( $\kappa$ ) qui quantifient à quel point $Z$ est plus fort que $X^{(j)}$ pour prédire $D$ et $Y$ au sein des distributions pondérées et semi-pondérées.
Le traitement du défi posé par le fait que la pondération rend souvent $D$ et $X$ non corrélés (rendant l'étalonnage standard infaisable) en utilisant la distribution semi-pondérée où $D$ et $X^{(j)}$ conservent une corrélation.

Pour l'inférence, le document propose trois options pour calculer les erreurs types ajustées et les intervalles de confiance :

Bootstrap par paires avec réestimation des poids : Adapté aux poids lisses (ex: scores de propension) sous un cadre de super-population.
Bootstrap à poids fixes : Une approche hybride pour les plans fixes, rééchantillonnant les unités tout en gardant les poids fixes.
Coefficient implicite à forme fermée : Un estimateur à forme fermée semblable à l'analyse OVB non pondérée, nécessitant une hypothèse de « rétrécissement uniforme » (Uniform Shrinkage) concernant la manière dont les résidus changent lors de l'inclusion de $Z$ .

Principales Contributions

Applicabilité Générale : Les outils s'appliquent à tout schéma de pondération non négatif (scores de propension, poids d'équilibrage, appariement, stratification) sans nécessiter d'hypothèses sur l'origine des poids ou sur la manière dont ils changeraient si $Z$ était observé.
Hypothèses sans distribution : L'approche n'impose aucune hypothèse de distribution sur $Z$ ou sur les données, et ne nécessite pas d'hypothèses sur le nombre de facteurs de confusion non observés.
Gestion de la spécification erronée : Le cadre peut traiter à la fois le biais d'identification (confusion non observée) et le biais de spécification (formes fonctionnelles mal spécifiées) en traitant $Z$ comme un proxy pour toute variable omise ou fonction qui corrige le modèle.
Implémentation Logicielle : Les auteurs fournissent le package R sensewls pour implémenter ces méthodes.

Résultats et Application
Les auteurs démontrent l'utilité de leurs outils en utilisant des données de Hazlett (2020a) concernant l'effet de l'exposition à la violence au Darfour sur les attitudes envers la paix. Ils appliquent l'analyse de sensibilité à trois stratégies de pondération distinctes :

Pondération par le score de propension inverse (ATE) : Les résultats montrent que l'estimation est robuste à une confusion non observée aussi forte que la covariable observée « genre ».
Appariement par score de propension (ATT) : Les auteurs montrent comment la procédure d'étalonnage s'adapte lorsque les poids et les semi-poids diffèrent considérablement (par exemple, en raison d'un appariement sur des sous-ensembles de covariables différents). Ils trouvent que l'estimation est sensible à une confusion deux fois plus forte que le genre/l'âge concernant le traitement.
Appariement exact et équilibrage de la moyenne (ATT) : Les outils sont appliqués à un appariement exact sur le village et le genre, ainsi qu'à un équilibrage par entropie maximale. Dans tous les cas, les auteurs parviennent à borner les paramètres de sensibilité et à déterminer la robustesse de la signification statistique de l'effet de traitement.

Signification et Revendications
L'article soutient qu'en se concentrant uniquement sur la sensibilité de l'étape de régression pondérée plutôt que sur les poids eux-mêmes, les chercheurs disposent d'un outil puissant et généralisable pour évaluer la robustesse. Les auteurs affirment que leur approche offre une « contribution significative » en termes d'interprétabilité, particulièrement grâce à l'utilisation des paramètres $\hat{R}^2_w$ qui sont compris entre 0 et 1, contrastant avec les mesures de type ratio de cotes (odds-ratio) non bornées des limites de Rosenbaum.

Les auteurs font preuve de modestie quant aux limites, notant que :

La procédure d'étalonnage pour $\hat{R}^2_w(D \sim Z | X)$ peut être difficile lorsque les distributions pondérées et semi-pondérées diffèrent fortement, nécessitant aux enquêteurs d'envisager des forces relatives plus importantes pour $Z$ .
Les options d'inférence ajustée pour les plans fixes (Options 2 et 3) présentent des compromis concernant le caractère conservateur et la dépendance aux hypothèses (par exemple, le rétrécissement uniforme des résidus).
Les outils sont actuellement conçus pour les moindres carrés pondérés et la différence de moyennes pondérée, bien qu'ils notent des extensions potentielles vers les estimateurs augmentés et les méthodes de contrôle synthétique comme directions futures.

En fin de compte, l'article positionne ces outils comme une norme de rapport de routine permettant aux enquêteurs de borner formellement la force de la confusion non observée par rapport aux covariables observées à travers une grande variété de stratégies d'inférence causale basées sur la pondération.

Articles similaires