📊 statistics

Untangling Sample and Population Level Estimands in Bayesian Causal Inference

Cet article clarifie les distinctions cruciales entre les estimations au niveau de l'échantillon et de la population dans l'inférence causale bayésienne, en illustrant par des exemples et du code Stan comment éviter les erreurs d'implémentation courantes en se basant sur une réflexion rigoureuse issue des premiers principes.

Auteurs originaux : Arman Oganisian

Publié 2026-03-03

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Arman Oganisian

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

🍎 Le Grand Malentendu : La Pomme de la Sample vs La Pomme du Monde

Imaginez que vous êtes un chef cuisinier (le statisticien) et que vous avez reçu un panier de 50 pommes (vos données d'étude) venant d'un verger. Votre but est de comprendre l'effet d'un nouvel engrais sur la taille des pommes.

L'article explique qu'il existe deux façons très différentes de poser la question, et que confondre ces deux façons est la source de nombreuses erreurs en science des données.

1. Les Deux Types de Questions (Les Estimands)

A. La Question "Spécifique" (Niveau Échantillon)

"Quelle est la différence de taille exacte entre la pomme #12 si elle avait eu l'engrais et la pomme #12 si elle ne l'avait pas eu ?"

C'est ce qu'on appelle l'effet individuel (ITE) ou l'effet moyen sur votre panier (SATE).

Le problème : Vous ne pouvez pas voir la pomme #12 avec l'engrais ET sans l'engrais en même temps. C'est comme essayer de voir deux réalités parallèles pour le même objet.
L'analogie : C'est comme si vous deviez deviner le goût d'une pomme que vous n'avez jamais mangée, en imaginant un univers parallèle où vous l'auriez mangée. Pour répondre à cette question, vous devez faire des hypothèses très fortes sur la "magie" qui relie ces deux mondes (ce qu'on appelle les hypothèses "cross-world"). C'est risqué et incertain.

B. La Question "Générale" (Niveau Population)

"Si on prenait un panier infini de pommes venant du même verger, quelle serait la différence moyenne de taille entre celles qui ont l'engrais et celles qui n'en ont pas ?"

C'est l'effet moyen dans la population (PATE).

La solution : Ici, vous ne vous souciez pas de la pomme #12 spécifique. Vous vous souciez de la moyenne de tout le verger.
L'avantage : Vous n'avez pas besoin de deviner la pomme #12 dans un univers parallèle. Vous avez juste besoin de comprendre la distribution générale des pommes. C'est beaucoup plus stable et moins sujet aux erreurs d'imagination.

🎭 Le Piège de l'Acteur (L'Erreur d'Implémentation)

L'auteur dit que beaucoup de chercheurs font une erreur grave : ils veulent répondre à la question Générale (B), mais ils utilisent la méthode pour la question Spécifique (A).

L'analogie du Théâtre :
Imaginez que vous voulez connaître la moyenne de la taille de tous les acteurs d'une troupe (Population).

La bonne méthode : Vous mesurez la taille de chaque acteur, vous faites la moyenne, et vous tenez compte de la variabilité de votre échantillon.
La mauvaise méthode (l'erreur décrite) : Vous prenez un acteur, vous imaginez qu'il joue un autre rôle dans une pièce différente, vous mesurez cette "version imaginaire", et vous dites : "Voilà la moyenne de la troupe !"

En faisant cela, vous mélangez les cartes :

Vous créez une incertitude artificielle (votre intervalle de confiance sera trop large ou trop étroit).
Vous faites des hypothèses magiques (comme si la pomme #12 pouvait exister dans deux états à la fois) alors que vous n'en aviez pas besoin.

🛠️ Les Outils du Magicien (La Méthode Bayésienne)

L'article utilise un outil appelé Inférence Bayésienne. Imaginez que vous avez une boîte noire remplie de billes de toutes les couleurs possibles (toutes les hypothèses possibles).

Pour la question Spécifique (Niveau Échantillon) : Vous devez sortir une bille, regarder la pomme #12, puis imaginer un univers parallèle pour cette pomme précise, puis remettre la bille. Vous devez faire cela pour chaque pomme de votre panier. C'est lourd, complexe, et vous devez faire des hypothèses sur comment les deux mondes sont liés.
Pour la question Générale (Niveau Population) : Vous ne regardez pas les pommes une par une. Vous regardez simplement la couleur moyenne des billes dans la boîte. Vous n'avez pas besoin d'imaginer des univers parallèles pour chaque pomme. Vous avez juste besoin de comprendre la forme de la boîte.

Le message clé de l'article :
Avant de commencer à calculer, demandez-vous : "Est-ce que je veux parler de ces 50 pommes précises, ou du verger entier ?"

Si c'est le verger entier, ne perdez pas de temps à imaginer des univers parallèles pour chaque pomme. Utilisez les paramètres globaux.
Si c'est les 50 pommes, alors oui, vous devez faire des hypothèses audacieuses sur les mondes parallèles, mais sachez que c'est très incertain.

🚫 L'Exemple de l'Erreur Courante (Le "G-Formula" de Keil)

L'article critique une méthode populaire (le "Bayesian G-Formula") utilisée par d'autres chercheurs.
C'est comme si un architecte voulait construire un pont pour toute la ville (Population), mais qu'il a construit le pont en utilisant les mesures d'un seul passant, en supposant que ce passant représente tout le monde, sans tenir compte de la variabilité réelle de la population.

L'auteur montre que cette méthode donne souvent des résultats qui semblent corrects au centre (la moyenne est bonne), mais qui sont faux sur les bords (l'incertitude est mal calculée). C'est comme si votre GPS vous disait que vous êtes au bon endroit, mais qu'il ne vous avertit pas que vous êtes sur une falaise.

💡 En Résumé

Ne confondez pas les pommes individuelles avec le panier. (Échantillon vs Population).
Chaque question demande un outil différent. Vouloir connaître la moyenne du panier ne nécessite pas de deviner le destin de chaque pomme individuellement.
Pensez "Premiers Principes". Avant de coder, demandez-vous : "Quelle est la vraie question scientifique ?" Si vous répondez à la mauvaise question avec la bonne mathématique, vous obtiendrez une réponse précise... mais inutile.

L'auteur nous invite à être des architectes prudents : construisez votre modèle en fonction de la destination (la question), et non pas en fonction de la facilité de construction (le code informatique).

Titre : Démêler les estimands de niveau échantillon et de niveau population dans l'inférence causale bayésienne

1. Problématique

L'inférence causale bayésienne basée sur des modèles gagne en popularité, mais elle est souvent entravée par des erreurs d'implémentation et des malentendus conceptuels. Le problème central identifié par l'auteur est la conflation fréquente entre les estimands de niveau échantillon (basés sur les unités observées dans l'étude) et les estimands de niveau population (basés sur la distribution sous-jacente d'où l'échantillon est tiré).

Cette confusion conduit à :

Des hypothèses d'identification incorrectes (notamment les hypothèses "cross-world" ou "mondes croisés").
Des erreurs de calcul lors de l'utilisation de méthodes MCMC (Markov Chain Monte Carlo).
Une interprétation erronée des incertitudes a posteriori (par exemple, traiter la variabilité d'un effet individuel comme celle d'un effet moyen de population).

L'article vise à clarifier les différences cruciales entre ces deux niveaux d'inférence à travers l'identification, la modélisation, le calcul et l'interprétation.

2. Méthodologie et Cadre Théorique

L'auteur s'appuie sur le Modèle Causal de Rubin (RCM) et le cadre bayésien de Rubin (1978).

Définitions des Estimands :
- Niveau Échantillon :
  - ITE (Individual Treatment Effect) : Effet pour une unité spécifique $i$ ( $Y_i(1) - Y_i(0)$ ).
  - SATE (Sample Average Treatment Effect) : Moyenne des ITE sur l'échantillon observé.
  - Caractéristique clé : Ces estimands dépendent directement des contre-factuels manquants ( $Y^M$ ) pour les unités spécifiques de l'échantillon.
- Niveau Population :
  - CATE (Conditional Average Treatment Effect) : Effet moyen conditionnel à un profil de covariables $L=l$ .
  - PATE (Population Average Treatment Effect) : Effet moyen sur toute la population cible.
  - Caractéristique clé : Ces estimands dépendent des paramètres de la distribution ( $\phi$ ) régissant les résultats potentiels et les covariables. Les contre-factuels individuels sont intégrés (marginalisés) et ne sont pas nécessaires pour le calcul final.
Postulat de Base : L'inférence bayésienne consiste à obtenir la distribution marginale a posteriori des quantités d'intérêt à partir de la distribution conjointe a posteriori de tous les inconnus (contre-factuels $Y^M$ et paramètres $\omega$ ) :
$f(Y^M, \omega \mid D_O) \propto f(D_C; \omega) f(\omega)$
La distinction réside dans la marginalisation :
- Pour le SATE/ITE, on intègre les paramètres $\omega$ pour obtenir $f(Y^M \mid D_O)$ . Cela nécessite souvent des hypothèses sur la dépendance entre les mondes croisés (ex: indépendance conditionnelle des résultats potentiels).
- Pour le PATE/CATE, on intègre les contre-factuels $Y^M$ pour obtenir $f(\omega \mid D_O)$ , puis on calcule l'estimand via la formule de standardisation (g-formule).
Outils de Calcul :
- Utilisation intensive du langage Stan pour les simulations MCMC.
- Comparaison de modèles paramétriques (Normaux) et non-paramétriques (Mélanges de Dirichlet Tronqués - DPM).
- Intégration Monte Carlo (MC) pour approximer les intégrales complexes dans les estimands de population.

3. Contributions Clés

A. Clarification des Hypothèses "Cross-World" (Mondes Croisés)
L'article démontre que les estimands de niveau échantillon (ITE, SATE) nécessitent généralement des hypothèses sur la dépendance entre $Y(1)$ et $Y(0)$ pour une même unité (paramètre de corrélation $\rho$ non identifiable). En revanche, les estimands de niveau population (PATE, CATE) peuvent souvent être identifiés sans ces hypothèses, car les contre-factuels sont intégrés hors de la distribution. L'auteur insiste sur le fait que les hypothèses "cross-world" ne sont pas testables même en principe, contrairement à l'ignorabilité.

B. Distinction entre Imputation et Simulation MC
Une contribution majeure est la distinction technique entre :

L'imputation des contre-factuels : Nécessaire pour le SATE/ITE, où $Y^M$ est mis à jour comme un paramètre dans le bloc parameters de Stan.
La simulation Monte Carlo : Nécessaire pour le PATE/CATE, où l'on simule des données à partir de la distribution des paramètres (bloc generated quantities) pour approximer l'intégrale de la standardisation, sans imputer les contre-factuels manquants des unités observées.

C. Analyse des Modèles de Covariables (Bayesian Bootstrap vs Distribution Empirique)
L'auteur critique l'utilisation de la distribution empirique fixe (méthode MATE - Mixed Average Treatment Effect) pour estimer le PATE.

Fixer les poids de la distribution des covariables à $1/n$ (distribution empirique) sous-estime l'incertitude a posteriori.
L'approche recommandée est le Bayesian Bootstrap (BB), qui traite les poids comme des variables aléatoires (Dirichlet), permettant de propager correctement l'incertitude sur la distribution de la population, tout en restant flexible.

D. Critique de l'implémentation de Keil et al. (2018)
L'article offre une critique détaillée de la "g-formule bayésienne" proposée par Keil et al. (2018). L'auteur montre que leur procédure de calcul (simuler $n$ covariables à partir de la distribution empirique et calculer la moyenne des différences) produit en réalité un estimand hybride qui n'est ni un PATE (car il ne modélise pas l'incertitude de la distribution des covariables) ni un SATE (car il ne modélise pas la dépendance cross-world). C'est une erreur d'implémentation courante qui mélange les logiques des deux niveaux.

E. Complexité avec les Traitements Multiples
Dans le cas de $K > 2$ traitements, le nombre de paramètres de dépendance cross-world non identifiables croît de manière polynomiale ( $K(K-1)/2$ ). L'auteur montre que l'inférence de niveau échantillon devient rapidement ingérable (intractable) sans hypothèses structurelles fortes, tandis que l'inférence de niveau population reste plus gérable.

4. Résultats et Illustrations

L'article présente quatre exemples détaillés avec du code Stan :

Exemple Simple (Bivariate Normal) : Montre visuellement (via des boîtes à moustaches) que la variabilité a posteriori du PATE est différente (souvent plus large) que celle du SATE, même si les centres sont similaires. Confirme que l'utilisation de draws du SATE pour inférer le PATE conduit à des intervalles de crédibilité incorrects.
Modélisation Flexible (DPM) : Utilise des mélanges de Dirichlet tronqués pour capturer des relations non linéaires. Démonstre comment calculer le PATE via une simulation MC (tirer des $L$ de la distribution a posteriori des mélanges) plutôt que par imputation directe.
Estimands de Population Requérant des Hypothèses Cross-World : Montre un cas où un estimand de population (ex: probabilité conjointe de succès sous deux traitements) dépend du paramètre $\rho$ . Cela prouve que le niveau population n'est pas toujours exempt d'hypothèses cross-world, mais que la nature de l'hypothèse diffère.
Traitements Multiples ( $K>2$ ) : Illustre l'explosion du nombre de paramètres de corrélation non identifiables pour les effets individuels, rendant l'inférence de niveau échantillon très sensible aux spécifications du modèle.

5. Signification et Recommandations

Signification :
Ce papier est une mise en garde technique essentielle pour la communauté de l'inférence causale bayésienne. Il démontre que la simplicité apparente des modèles flexibles (comme les arbres de régression bayésiens ou les DPM) ne dispense pas d'une rigueur conceptuelle sur la nature de l'estimand visé. Confondre les niveaux d'inférence peut conduire à des conclusions erronées sur l'efficacité d'une intervention, soit en sous-estimant l'incertitude, soit en faisant des hypothèses non vérifiables.

Recommandations Pratiques :
L'auteur propose une approche basée sur les "premiers principes" :

Définir clairement l'estimand : Est-ce un effet pour l'échantillon observé (SATE/ITE) ou pour une population cible (PATE/CATE) ?
Identifier les inconnues : Quels sont les paramètres ou les contre-factuels sur lesquels cet estimand dépend ?
Suivre la logique de Bayes :
- Si l'estimand dépend des contre-factuels (SATE/ITE), il faut les imputer explicitement dans le modèle (bloc parameters) et accepter les hypothèses cross-world nécessaires.
- Si l'estimand dépend des paramètres de population (PATE/CATE), il faut intégrer les contre-factuels et utiliser des méthodes de simulation MC pour les intégrales de standardisation, tout en modélisant correctement la distribution des covariables (ex: via le Bayesian Bootstrap) pour propager l'incertitude.

En conclusion, l'article plaide pour une rigueur accrue dans la spécification des modèles et l'interprétation des sorties MCMC, afin d'éviter les erreurs systématiques qui faussent l'inférence causale moderne.