Identification and estimation of causal mechanisms in cluster-randomized trials with post-treatment confounding using Bayesian nonparametrics

1. Problématique et Contexte

L'article aborde un défi majeur dans l'analyse de médiation causale au sein des essais randomisés en grappes (CRT). Bien que les CRT soient fondamentaux en santé publique et en politique sociale, l'analyse des mécanismes causaux y est complexifiée par deux facteurs :

1. L'interférence intra-grappe : Le traitement d'un individu peut affecter les résultats de ses pairs au sein de la même grappe (effets de débordement ou spillover).
2. Le biais de confusion post-traitement : La présence de variables intermédiaires (confuseurs) qui surviennent après l'assignation au traitement mais avant le médiateur, et qui influencent à la fois le médiateur et le résultat.

Les méthodes existantes pour les CRT gèrent souvent l'interférence mais supposent l'absence de confusion post-traitement. À l'inverse, les méthodes traitant la confusion post-traitement (pour des données indépendantes) ne prennent pas en compte l'interférence ni la structure hiérarchique. De plus, l'identification des effets causaux en présence de confusion post-traitement repose sur des hypothèses d'indépendance entre mondes contrefactuels (cross-world independence) qui sont intrinsèquement non testables, nécessitant des analyses de sensibilité rigoureuses.

L'étude est motivée par une réanalyse de l'essai Red de Protección Social (RPS) au Nicaragua, évaluant un programme de transferts monétaires conditionnels (CCT). Dans ce contexte, l'état de santé (visite médicale) agit comme un confuseur post-traitement influençant la diversité alimentaire (médiateur) et la croissance de l'enfant (résultat), tout en étant affecté par le programme.

2. Méthodologie Proposée

Les auteurs développent un cadre d'inférence bayésienne non paramétrique (BNP) intégrant deux innovations majeures :

A. Identification et Analyse de Sensibilité via Copules

Pour identifier les effets de médiation (effet direct naturel, effet indirect individuel et effet de débordement), les auteurs relâchent l'hypothèse stricte d'indépendance entre les mondes contrefactuels des confuseurs post-traitement.

• Modèle de Copule : Ils utilisent une copule gaussienne multivariée pour modéliser la dépendance conjointe entre les confuseurs post-traitement sous traitement ($D(1)$) et sous contrôle ($D(0)$).
• Paramètre de Sensibilité : L'identification repose sur un paramètre de dépendance $\rho$ (non identifiable à partir des données observées). En plaçant une loi a priori sur $\rho$, l'approche permet une analyse de sensibilité transparente pour évaluer la robustesse des conclusions causales face à différentes structures de dépendance contrefactuelle.

B. Prior Bayésien Non Paramétrique : CA-EDP

Pour l'estimation, les auteurs proposent un nouveau prior hiérarchique appelé Nested Common Atoms Enriched Dirichlet Process (CA-EDP). Ce modèle vise à surmonter les limites des approches précédentes (comme le nDDP) :

• Structure Hiérarchique : Il combine le Common Atoms Model (CAM) et l'Enriched Dirichlet Process (EDP).
  • Le CAM permet de partager un ensemble commun d'atomes entre les grappes pour capturer l'hétérogénéité intra et inter-grappes tout en évitant le problème de dégénérescence (où deux distributions partageant un seul atome sont forcées d'être identiques).
  • L'EDP permet une modélisation conjointe des covariables et des réponses. Contrairement aux méthodes conditionnelles qui utilisent la distribution empirique des covariables, le CA-EDP modélise la distribution conjointe $P(Y, M, D, X, V)$, propageant ainsi l'incertitude liée à la distribution des covariables et de la taille des grappes.
• Inférence : L'inférence est réalisée via un échantillonneur de Gibbs bloqué basé sur une approximation par troncature à trois niveaux (pour les groupes de grappes, les groupes de résultats, et les groupes de covariables). Des bornes théoriques de convergence sont établies pour cette approximation.

3. Contributions Clés

1. Cadre d'Identification : Développement d'une méthode d'identification non paramétrique pour les effets de médiation dans les CRT avec confusion post-traitement, remplaçant l'hypothèse d'indépendance contrefactuelle par un modèle de copule paramétré.
2. Nouveau Prior (CA-EDP) : Introduction d'un prior BNP hybride qui évite la dégénérescence des priors emboîtés classiques et assure une quantification de l'incertitude cohérente en modélisant conjointement les covariables et les résultats à plusieurs niveaux.
3. Théorie et Preuves : Démonstration des propriétés distributionnelles du CA-EDP (probabilités d'égalité, structures de corrélation) et preuves de convergence pour l'approximation par troncature utilisée dans l'inférence pratique.
4. Application Réelle : Réanalyse de l'étude RPS intégrant pour la première fois la confusion post-traitement et l'interférence dans l'analyse de médiation des transferts monétaires sur la nutrition infantile.

4. Résultats

Simulations

Des simulations extensives comparent le CA-EDP à un modèle paramétrique bayésien et au modèle nDDP existant :

• Performance : Le CA-EDP et le nDDP surpassent systématiquement le modèle paramétrique en termes de biais et d'erreur quadratique moyenne (RMSE), surtout lorsque les processus de génération de données sont complexes (non linéaires, mélanges).
• Quantification de l'incertitude : Le CA-EDP fournit des intervalles de crédibilité mieux calibrés (couverture proche de 95 %) en propageant l'incertitude des covariables, là où le nDDP (utilisant la distribution empirique) peut sous-estimer cette incertitude, particulièrement avec un petit nombre de grappes ou des distributions de covariables complexes.
• Robustesse : Le CA-EDP est particulièrement avantageux lorsque la taille de l'échantillon permet d'inférer correctement la distribution sous-jacente des covariables.

Application à l'étude RPS

• Effets de Médiation : L'analyse confirme que l'amélioration de la nutrition est partiellement médiée par la diversité alimentaire, avec des effets de débordement significatifs au sein des régions administratives.
• Impact du Confuseur : L'ajustement pour le confuseur post-traitement (visite de santé) réduit la magnitude de l'effet médié par la diversité alimentaire et augmente l'effet direct, suggérant que les études précédentes surestimaient l'effet médié en ignorant ce confuseur.
• Robustesse de l'Analyse de Sensibilité : Les conclusions qualitatives (signe et magnitude des effets) restent stables sur une large plage de valeurs plausibles pour le paramètre de dépendance contrefactuelle $\rho$, indiquant que les résultats sont robustes aux hypothèses d'indépendance non vérifiables.

5. Signification et Conclusion

Cet article apporte une avancée méthodologique significative pour l'analyse des essais randomisés en grappes. En combinant une modélisation flexible des données hiérarchiques (via le CA-EDP) avec une approche rigoureuse pour gérer les confuseurs post-traitement (via les copules), les auteurs offrent un outil puissant pour :

• Démêler les mécanismes causaux complexes (effets individuels vs effets de débordement).
• Éviter les biais liés à la spécification incorrecte de modèles paramétriques.
• Fournir une quantification de l'incertitude complète, incluant celle des covariables.
• Évaluer la robustesse des conclusions face aux hypothèses non testables inhérentes à l'analyse causale.

Cette méthodologie est directement applicable à divers domaines (éducation, santé publique, politique sociale) où les interventions sont déployées par groupes et où des variables intermédiaires complexes peuvent biaiser l'interprétation des mécanismes d'action.