Non-overlap Average Treatment Effect Bounds

Résumé Technique : Bornes de l'Effet Moyen du Traitement en l'absence de Recouvrement

Énoncé du Problème
L'Effet Moyen du Traitement (ATE), défini comme la différence moyenne des résultats potentiels sous traitement par rapport au contrôle, est une cible canonique en inférence causale. L'identification standard de l'ATE repose sur trois hypothèses : la consistance, l'échangeabilité conditionnelle (absence de confusion non mesurée) et le recouvrement (positivité). L'hypothèse de recouvrement exige que chaque unité ait une probabilité non nulle de recevoir soit le traitement, soit le contrôle ($0 < P(A=1|X) < 1$).

Lorsque le recouvrement fait défaut — soit structurellement (les scores de propension sont exactement 0 ou 1 pour certaines sous-populations) soit pratiquement (les scores de propension sont extrêmement proches de 0 ou 1, entraînant des données clairsemées dans des échantillons finis) — l'ATE n'est pas identifiable ponctuellement. La solution standard dans de tels scénarios consiste à abandonner l'ATE au profit d'estimands alternatifs, tels que des effets définis sur une sous-population « recouverte » tronquée ou via des interventions incrémentales sur le score de propension. Cependant, ces approches modifient la question scientifique d'intérêt et produisent souvent des résultats moins interprétables. De plus, les estimateurs ponctuels traditionnels de l'ATE (par exemple, les estimateurs doublement robustes) peuvent présenter une mauvaise performance en échantillon fini, une variance infinie ou des distributions d'échantillonnage non normales lorsque l'hypothèse de recouvrement est violée.

Méthodologie
Les auteurs proposent une approche novatrice pour dériver des bornes en l'absence de recouvrement : des bornes d'identification partielle pour l'ATE qui ne nécessitent pas l'hypothèse de recouvrement, à condition que la variable de résultat soit bornée (par exemple, $Y \in [0, 1]$).

1. Identification par seuillage du score de propension :
   La population est partitionnée en deux sous-populations basées sur un seuil de score de propension $c \in [0, 0.5]$ :

   • Sous-population recouverte : Unités où $\pi(X) > c$ et $\pi(X) < 1-c$. Ici, l'effet du traitement est identifiable ponctuellement sous les hypothèses standards.
   • Sous-population non recouverte : Unités où $\pi(X) \le c$ ou $\pi(X) \ge 1-c$. Ici, l'effet du traitement n'est pas identifiable.

   Les auteurs dérivent des bornes en combinant l'estimation ponctuelle de l'effet dans la région recouverte avec des bornes de pire cas pour la région non recouverte. Plus précisément, la borne inférieure $L(c)$ soustrait la masse de probabilité du groupe non recouvert à forte propension, et la borne supérieure $U(c)$ ajoute la masse de probabilité du groupe non recouvert à faible propension. La largeur de ces bornes (le « fossé d'identification ») est proportionnelle à la taille de la sous-population non recouverte.

2. Approximations lisses :
   Les bornes dérivées sont des fonctionnelles non lisses en raison de l'utilisation de fonctions indicatrices, ce qui pose des défis pour l'estimation et l'inférence sous des hypothèses non paramétriques. Pour y remédier, les auteurs construisent des approximations lisses ($s_\ell$ et $s_g$) des fonctions indicatrices. Ces approximations sont conçues pour satisfaire des propriétés spécifiques (encadrer les fonctions indicatrices par le bas) afin de garantir que les bornes lisses résultantes contiennent toujours le véritable ATE. Cela permet d'utiliser la théorie de l'efficacité semi-paramétrique.

3. Estimation et Inférence (TMLE) :
   Les auteurs proposent un Estimateur Basé sur la Minimisation Ciblée de la Perte (TMLE) pour les bornes lisses. En dérivant la Fonction d'Influence Efficace (EIF) pour ces fonctionnelles lisses, ils construisent des estimateurs qui sont $\sqrt{n}$-consistants et asymptotiquement normaux sous des conditions non paramétriques, à condition que les paramètres de nuisance (score de propension et régression du résultat) soient estimés à des taux suffisants ($n^{-1/4}$).

4. Inférence uniforme par Bootstrap multiplicateur :
   Étant donné que le seuil optimal $c$ et le paramètre de lissage $\gamma$ sont inconnus, les auteurs développent une procédure de bootstrap multiplicateur. Cette méthode construit des ensembles de confiance uniformes sur une grille de combinaisons $(c, \gamma)$. Les chercheurs peuvent ensuite rapporter l'intervalle valide le plus étroit de cette grille, équilibrant le compromis entre le fossé d'identification (plus petit $c$) et l'incertitude d'estimation/l'erreur de lissage (plus grand $c$ ou $\gamma$).

Contributions Clés
L'article apporte trois contributions principales :

1. Identification : Dérivation de bornes d'identification partielle pour l'ATE qui reposent uniquement sur la consistance, l'échangeabilité conditionnelle et la borne du résultat, relaxant explicitement l'hypothèse de recouvrement.
2. Estimation et Inférence : Développement d'estimateurs à taux $\sqrt{n}$ (TMLE) et d'une procédure de bootstrap multiplicateur produisant des ensembles de confiance uniformément valides sur une gamme de seuils et de paramètres de lissage. Cela permet une inférence valide même lorsque la sous-population non recouverte est petite.
3. Comparaison Théorique et Empirique : Une comparaison formelle des bornes en l'absence de recouvrement par rapport aux estimateurs ponctuels traditionnels à travers différents régimes de recouvrement (fort, quelque peu faible et très faible).

Résultats

• Résultats Théoriques :
  • Sous un recouvrement fort, les intervalles de confiance en l'absence de recouvrement sont asymptotiquement équivalents aux intervalles des estimateurs ponctuels traditionnels.
  • Sous un recouvrement très faible (où la borne d'efficacité pour l'ATE est infinie et l'estimation $\sqrt{n}$ est impossible pour les estimateurs ponctuels), les bornes en l'absence de recouvrement restent estimables à des taux $\sqrt{n}$ avec des intervalles de confiance valides.
  • Sous un recouvrement quelque peu faible (borne d'efficacité finie mais grande), les bornes en l'absence de recouvrement peuvent produire des intervalles de confiance plus courts que les estimateurs ponctuels en échantillon fini, particulièrement près de la transition de phase où le recouvrement est marginal.
• Études de Simulation :
  • Dans des scénarios avec des violations extrêmes de recouvrement pratique, les bornes en l'absence de recouvrement ont démontré une puissance statistique plus élevée, des largeurs d'incertitude plus courtes et une couverture empirique meilleure par rapport aux estimateurs ponctuels doublement robustes, qui produisaient souvent des intervalles non informatifs couvrant l'ensemble de l'espace des paramètres.
  • Dans des scénarios « moyens » sans violations extrêmes, les bornes en l'absence de recouvrement sont restées compétitives, atteignant souvent des intervalles plus étroits que les méthodes traditionnelles.
• Application Réelle :
  • La méthode a été appliquée à six ensembles de données observationnels, incluant l'étude sur le Cathétérisme Cardiaque Droit (RHC). Dans l'ensemble de données RHC, où les estimateurs ponctuels traditionnels produisaient des intervalles non informatifs en raison de violations de recouvrement, les bornes en l'absence de recouvrement ont fourni un intervalle étroit et informatif ($-0,10, -0,03$) excluant zéro, suggérant un effet de traitement significatif.

Signification
Les auteurs affirment que ce travail offre une solution « sans regret » pour l'estimation de l'ATE en présence de violations de recouvrement. Contrairement aux approches alternatives qui changent l'estimand cible (par exemple, le tronquage vers une population recouverte), cette méthode maintient l'ATE comme objet principal d'enquête. Elle fournit une inférence statistique valide même lorsque l'ATE n'est pas identifiable ponctuellement, sans nécessiter de connaissance a priori de la population recouverte. L'approche est particulièrement précieuse dans des contextes réels où les violations de recouvrement sont souvent limitées à de petites sous-populations, permettant aux chercheurs de rapporter des bornes valides et serrées qui exploitent le signal de la région recouverte tout en tenant compte de l'incertitude dans la région non recouverte. L'article souligne que bien qu'il existe un compromis entre le fossé d'identification et la variance d'estimation, le cadre d'inférence uniforme proposé permet aux chercheurs de naviguer dans ce compromis de manière optimale.