A Sensitivity Approach to Causal Inference Under Limited Overlap

1. Problématique : L'Inférence Causale sous Chevauchement Limité

L'article aborde un défi majeur dans l'analyse de données observationnelles : le manque de chevauchement (lack of overlap) entre les groupes traités et témoins.

• Contexte : Lorsque les données sont collectées de manière observationnelle (sans randomisation), il est fréquent que certaines régions de l'espace des covariables soient dominées par un seul type de traitement (ex: les personnes âgées ne reçoivent jamais un certain traitement).
• Conséquences :
  • Les estimateurs standards (comme la pondération par l'inverse de la probabilité, IPW, ou AIPW) deviennent instables, avec des variances énormes ou des distributions asymptotiques non gaussiennes.
  • Pour stabiliser ces estimateurs, les praticiens utilisent couramment le découpage (trimming) des poids d'importance (ex: supprimer les unités avec des scores de propension extrêmes).
  • Le piège : Bien que le découpage réduise la variance, il modifie l'estimand (la grandeur à estimer) et introduit un biais systématique difficile à quantifier. Les méthodes asymptotiques classiques échouent souvent silencieusement dans ces régions, conduisant à des intervalles de confiance trompeurs.

2. Méthodologie Proposée

Les auteurs proposent un cadre d'inférence basé sur une approche de sensibilité combinant des méthodes asymptotiques classiques et une approche minimax pour les régions non chevauchantes.

A. Décomposition de l'Estimand

L'effet moyen du traitement (ATE) global $\tau$ est décomposé en deux parties :

1. $\tau_+$ (Région de chevauchement) : Les unités où les scores de propension sont dans une plage raisonnable. Ici, les outils d'inférence asymptotique standards (comme AIPW) sont considérés comme valides.
2. $\tau_-$ (Région non chevauchante) : Les unités où le chevauchement est faible ou nul. C'est ici que le découpage (trimming) introduit un biais.

B. Approche Minimax pour la Région Non Chevauchante

Au lieu d'essayer d'estimer $\tau_-$ avec des méthodes paramétriques, les auteurs utilisent le cadre minimax de Donoho [13] pour borner le biais maximal possible.

• Hypothèse de régularité : On suppose que la fonction de résultat potentiel $f(x, z)$ appartient à une classe de fonctions Lipschitziennes avec une constante de lissage $L$. Cela signifie que les résultats ne peuvent pas changer trop brutalement pour des covariables proches.
• Estimateur Minimax : L'algorithme calcule un intervalle de confiance qui couvre le pire des cas (worst-case) pour toutes les fonctions $f$ satisfaisant la contrainte de régularité. Cet intervalle inclut une correction de biais explicite.
• Avantage : Contrairement aux méthodes minimax appliquées à l'ensemble des données (qui sont trop conservatrices), cette méthode n'applique le cadre minimax qu'à la partie $\tau_-$, permettant de garder la précision des méthodes asymptotiques sur la partie $\tau_+$.

C. Analyse de Sensibilité et Contextualisation

Plutôt que de fixer arbitrairement la constante de régularité $L$ (ce qui est difficile à justifier), les auteurs proposent une analyse de sensibilité :

• Variation de $L$ : On fait varier $L$ pour observer comment l'intervalle de confiance s'élargit.
• Contextualisation par les données : La valeur de $L$ est calibrée en utilisant les données de la région de chevauchement (où l'on a confiance dans le modèle). On calcule le $p$-ième quantile des rapports de différences de résultats sur les distances de covariables dans la région de chevauchement pour obtenir une estimation empirique de la régularité ($\tilde{L}_p$).
• Objectif : Cela permet aux analystes de voir à quel point leurs conclusions sont sensibles à l'hypothèse de lissage. Si l'intervalle de confiance devient très large ou change de signe pour une valeur de $L$ raisonnable, cela indique que la conclusion est fragile.

D. Intervalle Combiné

Pour obtenir une inférence sur l'ATE global, les auteurs proposent un intervalle combiné ($MP_{combine}$) utilisant une borne d'union :
$$MP_{combine} = [a_1 + b_1, a_2 + b_2]$$
où $[a_1, a_2]$ est l'intervalle asymptotique pour $\tau_+$ et $[b_1, b_2]$ est l'intervalle minimax pour $\tau_-$. Cela garantit une couverture valide tout en restant plus efficace (plus étroit) qu'une approche minimax pure sur tout l'échantillon.

3. Contributions Clés

1. Cadre d'Inférence Hybride : Une méthode qui sépare le problème en une partie "sûre" (asymptotique) et une partie "douteuse" (minimax), évitant ainsi le conservatisme excessif des méthodes minimax globales.
2. Outil de Diagnostic de Sensibilité : Une approche systématique pour quantifier l'incertitude due au découpage (trimming) en fonction de la régularité supposée de la fonction de résultat, rendant les hypothèses d'extrapolation interprétables.
3. Guaranties Non-Asymptotiques : Contrairement aux méthodes classiques qui échouent lorsque la taille d'échantillon effective est faible, cette approche fournit des garanties de couverture valides pour des échantillons finis, basées sur la théorie de l'estimation minimax.
4. Application à la Collecte de Données : Le cadre est étendu pour guider la collecte de nouvelles données (échantillonnage actif). En utilisant la métrique d'incertitude minimax, les analystes peuvent décider quelles nouvelles unités échantillonner pour réduire le plus efficacement l'incertitude dans les régions non chevauchantes.

4. Résultats Expérimentaux

Les auteurs valident leur approche sur des données simulées et réelles (jeu de données PennUI sur les primes de réemploi).

• Échec des méthodes standards : Les simulations montrent que l'estimateur AIPW tronqué (AIPWpartial) produit des intervalles de confiance qui ne couvrent pas le vrai paramètre dès que le chevauchement devient limité, même si l'intervalle semble étroit.
• Performance de la méthode MP :
  • L'intervalle MP (Minimax Partiel) capture correctement le biais introduit par le découpage.
  • L'intervalle MP_combine offre une couverture valide pour l'ATE global avec une largeur (et donc une puissance statistique) bien supérieure à celle d'un intervalle minimax complet (trop large) et bien meilleure que l'AIPW tronqué (qui est faux).
• Guidage de l'échantillonnage : Dans l'étude de cas sur la collecte de données, la métrique proposée permet d'identifier qu'échantillonner dans une région spécifique (Option 2) réduit l'incertitude bien plus efficacement qu'une autre région (Option 1), même si les scores de propension semblent similaires. La méthode Oracle (échantillonnage aléatoire dans toute la zone non chevauchante) reste la meilleure, mais l'approche proposée permet de faire de bons choix sans cette capacité.

5. Signification et Impact

Cet article offre une solution pratique et rigoureuse au problème persistant du manque de chevauchement en inférence causale.

• Changement de paradigme : Au lieu de rejeter les données ou d'accepter des biais non mesurés, l'article propose de quantifier explicitement le coût de l'extrapolation.
• Transparence : Il transforme une hypothèse mathématique abstraite (la constante de Lipschitz) en un diagnostic interprétable pour les praticiens, leur permettant de juger de la robustesse de leurs conclusions.
• Fiabilité : Il empêche la publication de résultats "spuriaux" (faux positifs) basés sur des extrapolations non étayées par les données, en fournissant des intervalles de confiance qui s'adaptent dynamiquement à la difficulté de l'extrapolation requise.

En résumé, cette approche fournit un cadre pour inférer avec prudence là où les données sont rares, en équilibrant l'efficacité statistique et la rigueur théorique.