Nonparametric efficient estimation of the longitudinal front-door functional

1. Problématique et Contexte

Le problème de l'identification causale :
Dans les études observationnelles, l'estimation de l'effet causal d'une exposition sur un résultat est souvent compromise par la présence de facteurs de confusion non mesurés (confounders). La méthode standard, l'ajustement par la « porte arrière » (back-door criterion), échoue dans ces situations car elle nécessite que tous les confounders soient mesurés.

La solution de la « porte avant » (Front-Door) :
Le critère de la porte avant, introduit par Pearl (1995), offre une stratégie d'identification alternative lorsqu'une variable intermédiaire (médiateur) existe qui :

1. Médie complètement l'effet de l'exposition sur le résultat.
2. N'est pas affectée par les facteurs de confusion non mesurés.

Le défi longitudinal :
Bien que le critère de la porte avant ait été étendu au cadre longitudinal (où l'exposition et le médiateur varient dans le temps) par Sjølander et Bellocco (2013), les méthodes d'estimation disponibles se limitaient à un simple estimateur de type « plug-in ». Ce dernier souffre de deux problèmes majeurs :

• Il nécessite l'estimation de densités conditionnelles de médiateurs de haute dimension, ce qui est difficile en raison du fléau de la dimensionnalité.
• Il n'est pas robuste aux erreurs de spécification des modèles de nuisance et ne permet pas l'utilisation de méthodes d'apprentissage automatique (data-adaptive) tout en garantissant une inférence valide (convergence à la racine de $n$).

2. Méthodologie Proposée

Les auteurs développent des estimateurs non paramétriques efficaces pour le fonctionnel de la porte avant longitudinale. Leur approche repose sur la théorie de l'inférence semi-paramétrique.

A. Fonction d'influence efficace (EIF)

Les auteurs dérivent la fonction d'influence efficace (Efficient Influence Function - EIF) du fonctionnel cible. Cette fonction est cruciale car elle caractérise la borne d'efficacité semi-paramétrique et permet de construire des estimateurs qui sont :

• Multiplement robustes (multiply robust) : ils restent cohérents si certaines parties des modèles de nuisance sont mal spécifiées, à condition que d'autres parties soient correctes.
• Asymptotiquement linéaires : permettant une inférence valide (intervalles de confiance) même avec des estimateurs de nuisance complexes.

B. Estimation du rapport de densité du médiateur

Un défi technique majeur est l'estimation du rapport de densité conditionnelle du médiateur ($H$), souvent de haute dimension.

• Les auteurs proposent une reparamétrisation basée sur le théorème de Bayes.
• Au lieu d'estimer directement la densité du médiateur, ils expriment le rapport de densité en fonction de modèles de régression binaire (probabilités conditionnelles de l'exposition). Cela évite l'estimation directe de densités complexes et rend la méthode applicable aux médiateurs continus ou de haute dimension.

C. Deux types d'estimateurs

Deux estimateurs basés sur l'EIF sont proposés :

1. Estimateur One-Step (OS) : Il corrige un estimateur initial en ajoutant la moyenne empirique de l'EIF estimée. Il est simple à calculer mais peut produire des estimations hors de l'espace des paramètres et est sensible aux violations de positivité.
2. Estimateur par Minimisation Ciblée de la Perte (TMLE) : C'est un estimateur de substitution (substitution-based). Il met à jour itérativement les estimateurs initiaux des fonctions de nuisance (via des sous-modèles défavorables) pour résoudre l'équation de l'EIF.
   • Avantages du TMLE : Il garantit que les estimations restent dans les bornes du paramètre (ex: probabilités entre 0 et 1) et possède de meilleures propriétés en échantillons finis que l'estimateur OS.

D. Robustesse et Apprentissage Automatique

Les estimateurs sont conçus pour fonctionner avec des méthodes data-adaptive (comme les Super Learners). Les auteurs montrent que si les modèles de nuisance sont estimés à une vitesse supérieure à $n^{-1/4}$, les estimateurs conservent leurs propriétés asymptotiques normales.

3. Contributions Clés

1. Première estimation non paramétrique efficace longitudinale : C'est la première méthodologie proposant des estimateurs efficaces et asymptotiquement normaux pour le critère de la porte avant dans un cadre longitudinal.
2. Gestion des médiateurs de haute dimension : Grâce à la reparamétrisation du rapport de densité, la méthode contourne le problème de l'estimation directe de densités multivariées complexes.
3. Robustesse multiple : Les estimateurs sont valides même si certains modèles de nuisance (ex: modèle du médiateur ou modèle du résultat) sont mal spécifiés, à condition que d'autres soient corrects.
4. Intégration du Machine Learning : La méthode permet l'utilisation d'algorithmes d'apprentissage automatique pour estimer les fonctions de nuisance sans sacrifier la validité de l'inférence statistique.

4. Résultats

Étude de Simulation

Les auteurs ont mené des simulations avec différents mécanismes de génération de données (médiateurs binaires ou continus, effets directs ou non).

• Biais : Les estimateurs OS et TMLE montrent un biais négligeable (convergeant à la vitesse $\sqrt{n}$) lorsque les modèles sont correctement spécifiés ou partiellement mal spécifiés (grâce à la robustesse multiple). En revanche, les estimateurs IPW (pondération par probabilité inverse) et de régression séquentielle classiques ne convergent pas vers zéro en cas de mauvaise spécification.
• Couverture : Les intervalles de confiance de type Wald pour les estimateurs OS et TMLE maintiennent une couverture proche du niveau nominal (95%) dans la plupart des scénarios, y compris avec des modèles de nuisance mal spécifiés (tant qu'une condition de robustesse est satisfaite).
• Performance : Le TMLE présente généralement un erreur quadratique moyenne (MSE) légèrement inférieure à celle de l'estimateur OS en échantillons finis.

Application Réelle : Essai sur l'allergie aux arachides

L'approche a été appliquée aux données de l'essai randomisé de Du Toit et al. (2015) sur la consommation d'arachides chez les nourrissons.

• Contexte : L'objectif est d'estimer l'effet causal de la consommation d'arachides sur le développement d'une allergie, en utilisant les niveaux d'anticorps immunoglobulines (IgE, IgG, IgG4) comme médiateurs longitudinaux.
• Justification : L'ajustement par la porte arrière est impossible car les raisons de la non-adhérence au traitement ne sont pas mesurées (confusion non mesurée). La porte avant est utilisée en supposant que les anticorps médient entièrement l'effet.
• Résultats :
  • L'effet causal moyen (ACE) estimé est négatif, indiquant que la consommation d'arachides a un effet protecteur contre le développement de l'allergie.
  • L'effet d'intervention de population (PIE) confirme que la consommation réduit le risque par rapport à l'observation, tandis que l'évitement augmente le risque.
  • Les estimateurs OS et TMLE donnent des résultats quasi identiques.

5. Signification et Conclusion

Cet article comble un vide important dans la littérature sur l'inférence causale. Il fournit les outils nécessaires pour appliquer le critère de la porte avant à des données longitudinales complexes, là où les méthodes traditionnelles échouent.

• Impact pratique : La méthode permet d'analyser des études où des facteurs de confusion non mesurés sont inévitables, à condition d'avoir un médiateur valide.
• Flexibilité : La capacité à utiliser des médiateurs de haute dimension et des algorithmes d'apprentissage automatique rend la méthode applicable à de nombreux domaines (épidémiologie, sciences sociales, économie).
• Limites et perspectives : La méthode est actuellement limitée aux expositions binaires. Les auteurs suggèrent que l'extension aux expositions continues et le développement de méthodes pour tester la validité des hypothèses d'identification (comme l'hypothèse de médiateur non confondu) sont des pistes de recherche futures.

En résumé, ce travail transforme le critère de la porte avant d'un concept théorique intéressant en une méthode d'estimation pratique, robuste et efficace pour les données longitudinales complexes.