Complier General Causal Effect in Randomized Controlled Trials with One-Sided Noncompliance

1. Problématique et Contexte

Les essais contrôlés randomisés (RCT) sont considérés comme la référence absolue pour évaluer les effets causaux des traitements. Cependant, en pratique, la randomisation est souvent compromise par des problèmes de non-conformité (noncompliance). L'article se concentre spécifiquement sur le cas de la non-conformité unilatérale (one-sided noncompliance), une situation fréquente où les sujets assignés au groupe témoin ne peuvent pas recevoir le traitement (ex: un nouveau médicament), tandis que ceux assignés au groupe traitement peuvent choisir de ne pas le prendre.

Dans ce contexte, l'analyse intentionnelle de traiter (ITT) mesure l'effet de l'assignation au traitement, mais pas l'effet causal réel de la réception du traitement. Le défi majeur réside dans le fait que l'effet causal sur l'ensemble de la population n'est pas identifiable à partir des données observées, car le statut de conformité (qui est un "complier" ou un "nevertaker") n'est pas observé pour les sujets assignés au groupe témoin.

2. Méthodologie et Cadre Théorique

Les auteurs proposent une approche rigoureuse basée sur la vraisemblance et l'inférence semi-paramétrique.

A. Identifiabilité basée sur la vraisemblance

Les auteurs construisent d'abord une fonction de vraisemblance non paramétrique à partir de la structure des données (Tableau 1 de l'article). Ils démontrent formellement que cette vraisemblance est identifiable. Cette analyse fondamentale permet de déterminer quels paramètres sont identifiables et lesquels ne le sont pas.

• Résultat clé : L'effet causal général parmi les "nevertakers" ou parmi les contrôles n'est pas identifiable. En revanche, l'effet causal parmi les compliers (ceux qui respectent l'assignation) est identifiable.

B. Nouvelle Estimande : L'Effet Causal Général des Compliers (CGCE)

Sur la base de l'analyse d'identifiabilité, les auteurs définissent une nouvelle estimande : le Complier General Causal Effect (CGCE).

• Le CGCE est défini comme $\tau = \tau_1 - \tau_0$, où $\tau_k$ est la solution d'une équation d'estimation impliquant une fonction $u(Y_k, \tau_k)$.
• Généralité : Le CGCE est un cadre unifié qui englobe :
  • L'effet causal moyen des compliers (CACE/LATE) si $u(y, \tau) = y - \tau$.
  • L'effet causal quantile des compliers (CQCE) si $u(y, \tau) = \mathbb{I}(y \le \tau) - \alpha$.

C. Estimation : Deux Approches

Les auteurs développent deux estimateurs pour le CGCE :

1. Estimateur Simple ($\hat{\tau}_s$) :

   • Ne nécessite aucune procédure non paramétrique ni apprentissage automatique.
   • Résout des équations d'estimation basées sur les probabilités marginales et les observations complètes.
   • Il est consistant à la racine de $n$ mais n'est pas efficace (il a une variance plus élevée).

2. Estimateur Efficace ($\hat{\tau}$) :

   • Atteint la borne d'efficacité semi-paramétrique.
   • Dérivation de la Fonction d'Influence Efficace (EIF) : Contrairement aux approches classiques utilisant la fonction instrumentale optimale, les auteurs projettent la fonction d'influence de l'estimateur simple sur l'espace tangent du modèle semi-paramétrique. Cela permet une décomposition transparente de l'EIF en composantes de nuisance interprétables liées à la structure des données.
   • Utilisation de l'Apprentissage Automatique (ML) : L'estimateur efficace nécessite l'estimation de fonctions de nuisance (probabilités de conformité et espérances conditionnelles de résultats). Les auteurs utilisent une technique de division de l'échantillon (sample splitting) pour estimer ces fonctions.

3. Contributions Clés et Résultats Théoriques

• Condition "Rate-Free" (Sans contrainte de vitesse) : C'est la contribution théorique la plus significative. Les auteurs démontrent que pour atteindre l'efficacité semi-paramétrique, il suffit que les estimateurs des fonctions de nuisance convergent en norme $L_2$. Aucune contrainte sur la vitesse de convergence (rate) n'est requise.

  • Cela contraste avec la littérature existante qui impose souvent des conditions de produit de vitesses (product-rate conditions) ou des hypothèses de régularité strictes (lissage, dimensions de sieve).
  • Implication : Cette propriété permet d'utiliser une large gamme de méthodes modernes d'apprentissage automatique (forêts aléatoires, réseaux de neurones profonds) pour estimer les fonctions de nuisance, même si leurs propriétés théoriques de convergence ne sont pas parfaitement caractérisées, tout en garantissant l'efficacité de l'estimateur final.

• Robustesse et Décomposition : La méthode de projection utilisée offre une décomposition claire de l'EIF, reliant chaque terme de nuisance à des sous-groupes spécifiques de la structure de données (ex: compliers traités, nevertakers traités, etc.).

4. Résultats Empiriques

Les auteurs valident leurs méthodes via des études de simulation et une application sur des données réelles.

• Simulations :

  • Comparaison de l'estimateur simple, de l'estimateur efficace avec régression par noyaux (kernel), et de l'estimateur efficace avec réseaux de neurones (DNN).
  • Performance : L'estimateur simple présente une variance beaucoup plus élevée. Les estimateurs efficaces (kernel et DNN) montrent une faible variance et un biais négligeable.
  • Dimensionnalité : Dans des dimensions élevées ($d=9$), la méthode DNN surpasse la méthode par noyaux, démontrant la capacité de l'approche à gérer des données complexes grâce à la condition "rate-free".
  • Les intervalles de confiance à 95% ont une couverture empirique proche de la valeur théorique.

• Application sur Données Réelles (Microcrédit au Maroc) :

  • Analyse de l'effet du microcrédit sur le revenu des activités autonomes.
  • Les résultats montrent que l'estimateur efficace combiné aux réseaux de neurones (Eff-NN) fournit des estimations stables avec une bonne couverture des intervalles de confiance.
  • Contrairement à une étude précédente (Sawada, 2019) utilisant un modèle linéaire paramétrique, l'approche non paramétrique proposée ne trouve pas de preuve significative d'un effet causal différent de zéro, suggérant que les hypothèses paramétriques précédentes pourraient être trop restrictives.

5. Signification et Perspectives

Cet article apporte une avancée majeure dans l'analyse des RCT avec non-conformité unilatérale :

1. Unification : Il propose le CGCE comme un cadre général couvrant les effets moyens et quantiles.
2. Flexibilité Algorithmique : La condition "rate-free" lève le verrou théorique empêchant l'utilisation généralisée des méthodes d'apprentissage automatique dans les modèles semi-paramétriques d'inférence causale.
3. Rigueur Statistique : La première étude systématique de l'identifiabilité par vraisemblance dans ce contexte spécifique.

Travaux futurs : Les auteurs suggèrent d'étendre ce cadre à la non-conformité bilatérale (présence de "always-takers" et "nevertakers") et aux données observationnelles où le score de propension doit être estimé.

En résumé, ce papier fournit des outils théoriques et pratiques robustes pour estimer des effets causaux complexes dans des essais cliniques ou sociaux réalistes, en tirant parti des dernières avancées de l'intelligence artificielle tout en garantissant des propriétés statistiques optimales.