Résumé Technique : Vers une Inférence Efficace sous l'effet d'une Absence de Données Non Monotone avec Imputation Générale

1. Énoncé du Problème

Le papier traite du défi que représente l'estimation de paramètres et l'inférence en présence d'une absence de données non monotone (également appelée absence par blocs). Dans ce contexte, différentes unités observent des sous-ensembles de variables (modalités) arbitraires et non emboîtés, un scénario courant dans les études multi-omiques modernes, les dossiers de santé électroniques et les grandes enquêtes.

Les approches standards font face à deux limitations principales :

1. L'analyse des cas complets rejette les unités présentant des données incomplètes, ce qui peut gaspiller une quantité substantielle d'informations et réduire l'efficacité.
2. L'imputation directe (substitution des valeurs manquantes) échoue souvent à préserver une quantification valide de l'incertitude ou de l'efficacité, particulièrement lorsque les modèles d'imputation sont mal spécifiés ou biaisés.

L'objectif est de combiner l'information à travers tous les schémas observés pour atteindre une efficacité semi-paramétrique tout en maintenant la validité sous des fonctions d'imputation générales (qui peuvent être mal spécifiées) et sous le mécanisme MCAR (Missing Completely at Random - Absence de données totalement aléatoire). Le papier explore également des extensions vers le mécanisme MAR (Missing at Random - Absence de données aléatoire).

2. Méthodologie

2.1 Cadre Théorique

Les auteurs cadrent le problème dans le cadre de la théorie semi-paramétrique. Soit $Z$ le vecteur de données complètes et $\theta^*$ le paramètre cible défini par une équation estimatrice sur les données complètes $E_P[\psi_F(Z, \theta^*)] = 0$. Sous l'hypothèse MCAR, la fonction estimatrice semi-paramétrique efficace est donnée par $\psi_{opt} = L\{M^{-1}[\psi_F]\}$, où $M$ et $L$ sont des opérateurs linéaires construits à partir des espérances conditionnelles spécifiques aux schémas. Cependant, l'opérateur inverse $M^{-1}$ implique des compositions complexes d'espérances conditionnelles entre les schémas, rendant l'estimateur efficace généralement intraitable.

2.2 La Décomposition RAY

Pour surmonter l'intraitabilité de $M^{-1}$, les auteurs introduisent la Hiérarchie ANOVA Restreinte (RAY - Restricted ANOVA hierarchY).

• Décomposition Fonctionnelle : RAY décompose toute fonction $f$ en une hiérarchie de composantes $P_s(f)$ en utilisant un principe d'inclusion-exclusion restreint aux schémas observés $\mathcal{Q}$.
• Structure de Quasi-Valeur Propre : Sous MCAR, l'opérateur $M$ agit sur ces composantes $P_s(f)$ comme un « quasi-opérateur de valeur propre » : $M[P_s(f)] = \lambda_s P_s(f) + \text{Rem}_s(f)$, où $\lambda_s = P(R \supseteq s)$ est la probabilité qu'une unité observe au moins les modalités de l'ensemble $s$. Le terme de reste $\text{Rem}_s$ implique des compositions d'espérances conditionnelles à travers des schémas non emboîtés.
• Approximation à Forme Fermée : En ignorant les termes de reste (qui s'annulent sous certaines conditions structurelles) et les compositions entre schémas, les auteurs dérivent une approximation traitable et à forme fermée de $M^{-1}$. Cela produit la fonction estimatrice RAY :
  $$\psi(R, Z_R, \theta^*) = \frac{I(R=[p])}{\pi_{[p]}} \psi_F(Z, \theta^*) + \sum_{r \in \mathcal{Q}, r \neq [p]} \omega_r A_r[\psi_F(Z, \theta^*)]$$
  où $\omega_r$ sont des poids à forme fermée dérivés des probabilités de schémas.

2.3 Construction de l'Estimateur et Réglage

• Imputation Générale : Le terme $A_r[\psi_F]$ représente l'espérance conditionnelle de la fonction estimatrice étant donné le schéma observé $r$. En pratique, cela est remplacé par une fonction d'imputation $F_r(Z_r; \theta)$, qui peut être un modèle prédictif (ex: réseaux de neurones) ou une approximation de Monte Carlo. Crucialement, sous MCAR, les poids RAY sont de moyenne nulle et indépendants des fonctions d'imputation, garantissant que l'estimateur reste non biaisé même si les modèles d'imputation sont mal spécifiés.
• Réglage de Sécurité (Safeguard Tuning) : Pour améliorer l'efficacité, les auteurs introduisent des paramètres de réglage $\alpha_r$ pour chaque fonction d'imputation. L'estimateur résout une équation calibrée sur l'échantillon où les poids sont ajustés pour minimiser un critère de variance estimé.
• RAY Adaptatif (aRAY) : Reconnaissant que ni RAY ni les méthodes existantes d'Inférence Propulsée par l'Imputation (IPI) ne dominent uniformément l'autre, les auteurs proposent une classe plus large d'estimateurs incluant les deux comme cas particuliers. L'estimateur RAY adaptatif (aRAY) optimise les paramètres de réglage au sein de cette classe pour atteindre une variance asymptotique minimale.

2.4 Extension au MAR

Le papier étudie l'extension de RAY au cadre MAR.

• Extension Directe : Un analogue direct des poids MCAR existe mais dépend généralement des modalités non observées, ce qui le rend infaisable en tant qu'estimateur de données observées.
• Extension par Projection : En projetant les propensions de queue sur les modalités observées, un estimateur réalisable est construit. Cependant, cela introduit une nuisance de « propension de queue projetée ». Les auteurs montrent que l'estimation de cette nuisance contribue à l'équation cible au premier ordre. L'inférence régulière est possible si la nuisance admet des estimateurs paramétriques cohérents avec une vitesse de convergence de $\sqrt{N}$, en utilisant l'estimation empilée (stacked estimation).

3. Contributions Clés

1. Approximation Efficace à Forme Fermée : Le papier fournit une approximation calculable à forme fermée de l'estimateur efficace semi-paramétrique pour des schémas d'absence de données non monotones arbitraires sous MCAR, évitant ainsi le besoin de régressions itératives ou imbriquées requises par l'opérateur inverse exact.
2. Validité Robuste à l'Imputation : L'estimateur RAY proposé est valide pour des fonctions d'imputation indépendantes arbitraires, y compris des modèles mal spécifiés ou biaisés. La validité est garantie par la propriété de moyenne nulle des poids RAY sous MCAR.
3. Efficacité Adaptative : L'introduction de l'estimateur RAY adaptatif (aRAY), qui intègre RAY et IPI dans une classe plus large, permet d'atteindre la variance asymptotique minimale au sein de cette classe.
4. Conditions d'Exactitude et Bornes d'Efficacité :
   • Les auteurs établissent une condition nécessaire et suffisante pour que RAY atteigne la borne d'efficacité inférieure : les résidus par schéma doivent s'annuler.
   • Ils identifient des conditions suffisantes vérifiables pour l'exactitude, notamment : (i) des schémas observés fermés par intersection avec des modalités indépendantes, (ii) des schémas monotones sous dépendance arbitraire, et (iii) des schémas ancrés avec des modalités non centrales conditionnellement indépendantes.
   • Lorsque ces conditions ne sont pas remplies, l'écart d'efficacité est borné par deux facteurs interprétables : un facteur de corrélation (piloté par la dépendance entre les modalités privées de schémas chevauchants) et un facteur structurel (piloté par l'absence des intersections de schémas requises).
5. Analyse de l'Extension MAR : Le papier délimite les obstacles théoriques à l'extension de RAY vers un MAR général, identifiant le rôle spécifique des propensions de queue projetées et les exigences pour une inférence de type $\sqrt{N}$.

4. Résultats

4.1 Études de Simulation

Les auteurs ont mené quatre expériences de simulation :

• Variation de la Taille de l'Échantillon : RAY et aRAY réduisent systématiquement l'erreur quadratique moyenne (RMSE) et la largeur des intervalles de confiance par rapport aux estimateurs de Cas Complets (CC) et de l'Inférence Propulsée par la Prédiction (PPI++), tout en maintenant une couverture nominale de 95 %.
• Variation de la Qualité de l'Imputation : Les estimateurs ont montré une robustesse ; à mesure que la qualité de l'imputation se dégradait vers un bruit pur, les estimateurs réglés revenaient automatiquement vers la performance de l'estimateur CC, illustrant l'efficacité du réglage de sécurité.
• Régression Linéaire : Dans des contextes de régression à faible dimension, RAY, IPI et aRAY ont obtenu une réduction de 6 à 10 % de la RMSE et une réduction de 12 à 18 % de la variance par rapport au CC.
• Analyse de Sensibilité : Sous des écarts contrôlés vers le MAR et le MNAR, les estimateurs basés sur le MCAR ont montré une augmentation du biais et une sous-couverture, la dégradation dépendant de la force de la violation du mécanisme d'absence de données.

4.2 Application à la Multi-omique Single-Cell

La méthode a été appliquée pour estimer l'abondance moyenne des protéines de surface (ADT) dans des données de cellule unique où différents essais (DOGMA-seq, CITE-seq, ASAP-seq) fournissent différentes combinaisons de mesures RNA, ATAC et ADT.

• Configuration : Des réseaux de neurones ont été pré-entraînés pour prédire l'ADT à partir de l'RNA et/ou de l'ATAC. Ceux-ci ont été utilisés comme fonctions d'imputation dans le cadre RAY sur un jeu de données de référence avec des schémas d'absence de données randomisés.
• Performance : Les estimateurs augmentés (RAY, IPI, aRAY) ont obtenu une erreur absolue plus faible que l'estimateur de cas complet. L'estimateur aRAY était uniformément le plus efficace, réduisant la longueur des intervalles de confiance jusqu'à 35 % pour les protéines hautement abondantes par rapport à l'approche de cas complet.

5. Signification et Revendications

Le papier prétend fournir une solution pratique et théoriquement fondée pour l'inférence efficace dans le contexte de plus en plus fréquent de données manquantes par blocs. Sa signification réside dans :

• Le Pont entre Théorie et Pratique : Il traduit la borne d'efficacité semi-paramétrique abstraite en un estimateur à forme fermée et implémentable qui ne nécessite pas d'algorithmes itératifs complexes.
• La Robustesse : Il découple la validité de l'inférence de l'exactitude du modèle d'imputation, une caractéristique critique lors de l'utilisation de modèles de machine learning flexibles qui peuvent être mal spécifiés.
• Les Gains d'Efficacité : Il démontre que la combinaison d'informations à travers des schémas d'absence de données arbitraires peut générer des gains d'efficacité substantiels par rapport à l'analyse des cas complets, même avec une imputation imparfaite.
• La Clarification des Limites : Le papier reconnaît modestement que l'avantage de la forme fermée est fondamentalement un résultat MCAR. Sous un MAR général, la méthode nécessite des hypothèses paramétriques spécifiques ou des techniques d'orthogonalisation pour parvenir à une inférence régulière, une direction laissée aux travaux futurs.

Les auteurs soulignent que leurs résultats structurels (conditions d'exactitude) et leurs bornes d'efficacité offrent une compréhension claire de quand et pourquoi la méthode fonctionne, offrant un cadre de diagnostic pour les praticiens confrontés à des structures de données manquantes complexes.