Résumé Technique : Analyse de Variables Instrumentales Imbriquées Basée sur le Design

1. Problématique (Le Problème)

Dans l'inférence causale, l'utilisation de variables instrumentales (VI) est une stratégie classique pour traiter la confusion par des variables non observées. Cependant, les approches traditionnelles (comme les moindres carrés doubles) présentent des limites, notamment lorsque l'instrument est "faible" ou lorsque l'on souhaite comprendre l'hétérogénéité de l'effet du traitement.

L'article s'attaque à une situation spécifique : les VI imbriquées (nested IVs). Deux VI binaires sont dites imbriquées si les individus qui se conforment à la VI la plus faible se conforment également à la VI la plus forte. Cette structure permet de distinguer deux sous-groupes latents :

• Les "Always-compliers" (ACO) : individus qui suivent le traitement quel que soit l'incitation (même la plus faible).
• Les "Switchers" (SW) : individus qui ne suivent le traitement que sous l'effet d'une incitation plus forte.

Le défi majeur est de réaliser une inférence statistique robuste pour les effets de traitement de ces deux groupes, tout en tenant compte du fait que, dans les études réelles (comme les essais multicentriques), l'assignation de l'instrument peut être biaisée ou non randomisée au niveau des sites.

2. Méthodologie (La Méthode)

Les auteurs proposent un cadre d'inférence basé sur le design (design-based inference), qui repose sur le mécanisme d'assignation plutôt que sur la modélisation de la distribution des résultats potentiels.

A. Le design "Pair-of-Pairs" (PoP-NIV)

Ils introduisent un nouveau plan d'expérience nommé PoP-NIV. Chaque strate appariée contient quatre unités organisées en deux paires :

• Une paire reçoit la VI "faible" ($0a, 1a$).
• L'autre paire reçoit la VI "forte" ($0b, 1b$).
  Ce design est construit de manière efficace via un algorithme de flux réseau (network flow) pour garantir l'équilibre des covariables.

B. Estimands de l'effet de traitement

L'étude se concentre sur deux paramètres clés :

1. ACO-SATE : L'effet de traitement moyen dans le sous-groupe des always-compliers.
2. SW-SATE : L'effet de traitement moyen dans le sous-groupe des switchers.

C. Inférence sous randomisation biaisée

Pour pallier le manque de randomisation parfaite entre les sites (par exemple, le choix d'un centre de recherche plutôt qu'un autre), les auteurs introduisent un schéma de randomisation partiellement biaisé paramétré par $\Gamma$. Ils développent des tests d'hypothèse qui restent valides même si l'assignation de l'instrument dévie de la randomisation pure, en utilisant des variables de bornage (bounding variables).

3. Contributions Clés

• Nouveau Design Expérimental : Le design pair-of-pairs permet de structurer les données pour identifier les sous-groupes de conformité de manière optimale.
• Décomposition de l'effet : Contrairement à l'IV classique qui donne un effet moyen global, cette méthode permet de décomposer l'effet pour voir si le traitement est efficace pour les personnes déjà engagées (ACO) ou pour celles qu'on parvient à convaincre (SW).
• Robustesse au biais de sélection : L'introduction de l'inférence sous randomisation biaisée permet d'appliquer cette méthode à des données observationnelles ou à des essais cliniques multicentriques où la randomisation n'est pas parfaite au niveau hiérarchique.
• Test d'homogénéité : Ils proposent un test statistique pour vérifier si l'effet est identique entre les deux groupes ($\text{ACO-SATE} = \text{SW-SATE}$).

4. Résultats et Application (Les Résultats)

Simulations

Les simulations démontrent que les tests proposés contrôlent efficacement le taux d'erreur de type I (même avec de petits échantillons ou un faible nombre de switchers) et possèdent une puissance statistique élevée pour détecter les effets réels.

Étude de cas (Essai PLCO)

Les auteurs appliquent leur cadre aux données de l'essai de dépistage du cancer (Prostate, Lung, Colorectal, and Ovarian - PLCO) :

• Composition : Ils estiment que 52,2 % des participants étaient des always-compliers et 26,7 % des switchers.
• Effet sur le cancer colorectal :
  • Chez les always-compliers, le sigmoïdoscopie flexible montrait une tendance à la diminution du taux de cancer ($-0,62 \%$).
  • Chez les switchers, aucun effet n'a été détecté ($1,46 \%$).
• Interprétation : Cette analyse explique pourquoi l'effet global (ITT) n'a pas augmenté après 1997 malgré une hausse de la conformité : les nouveaux participants (les switchers) n'ont pas bénéficié du traitement de la même manière que les participants initiaux.

5. Signification (L'Importance)

Ce travail est crucial pour la science de la mise en œuvre (implementation science). En distinguant les individus qui sont naturellement conformes de ceux qui réagissent aux incitations, les décideurs de santé publique peuvent mieux cibler leurs interventions. Si l'effet est fort chez les switchers, il faut renforcer les incitations ; s'il est nul, augmenter la conformité n'aura aucun impact sur la santé publique. L'approche basée sur le design garantit que ces conclusions sont statistiquement rigoureuses, même dans des conditions de recherche imparfaites.