Assumption-Lean Differential Variance Inference for Heterogeneous Treatment Effect Detection

Résumé Technique : Inférence de la Variance Différentielle à Faible Hypothèse pour la Détection de l'Hétérogénéité des Effets de Traitement

Énoncé du Problème
Dans les études cliniques, l'Effet Moyen de Traitement Conditionnel (CATE) est l'outil standard pour détecter l'hétérogénéité des effets de traitement (HTE). Cependant, l'inférence basée sur le CATE repose de manière critique sur l'inclusion de tous les modificateurs d'effet réels dans l'ensemble des covariables de base. Lorsque des modificateurs d'effet sont omis en raison de contraintes de ressources, d'erreurs de mesure ou d'une compréhension mécaniste incomplète, les méthodes basées sur le CATE échouent à détecter les violations de l'hypothèse d'effet de traitement homogène. Cela peut induire les décideurs en erreur en leur faisant supposer que les effets de traitement sont uniformes alors qu'ils ne le sont pas. De plus, l'inférence de haute dimension pour le CATE nécessite souvent des hypothèses de parcimonie invérifiables et il a été démontré qu'elle produit des taux élevés de faux positifs et de faux négatifs. Les approches existantes de Paramètre d'Importance de la Variable (VIP) pour les modificateurs d'effet de traitement (TEM-VIPs) font face à des limitations similaires, car elles nécessitent également que les modificateurs d'effet soient présents dans les données. En outre, l'inférence CATE standard ignore l'hétérogénéité résiduelle où la moyenne de l'effet de traitement est constante, mais où la variance des résultats potentiels diffère — un scénario pertinent pour la prise de décision sensible au risque.

Méthodologie
Les auteurs proposent un cadre d'inférence « à faible hypothèse » qui détecte l'HTE sans nécessiter l'accès aux modificateurs d'effet. Le cœur de cette approche est l'estimation des estimands de variance différentielle, qui contrastent les variances des résultats potentiels sous traitement et sous contrôle.

1. Estimands :

   • Variance Différentielle Absolue ($\Psi$) : Définie comme la différence entre les écarts-types des résultats potentiels : $\Psi(P_0) = \sigma(P_0; 1) - \sigma(P_0; 0)$.
   • Variance Différentielle Relative ($\Lambda$) : Définie comme le ratio des variances : $\Lambda(P_0) = \sigma^2(P_0; 1) / \sigma^2(P_0; 0)$.
   • L'article établit que si $\Psi(P_0) \neq 0$ (ou $\Lambda(P_0) \neq 1$), l'« hypothèse d'effet de traitement homogène du second moment » est violée. Cette hypothèse est une version assouplie de l'hypothèse d'effet homogène strict, permettant des termes de bruit résiduel différents tant que leurs seconds moments conditionnels sont égaux. Crucialement, ces estimands peuvent détecter l'hétérogénéité même lorsque les modificateurs d'effet ($V$) sont absents des données ($V = \emptyset$), à condition que l'échangeabilité conditionnelle soit respectée.

2. Identifiabilité :
   Sous les hypothèses causales standards (échangeabilité conditionnelle, consistance et positivité), les variances des résultats potentiels sont identifiables à partir des données observées. Les auteurs démontrent que ces estimands restent valides pour détecter l'hétérogénéité dans les essais contrôlés randomisés (RCT) sans conditionnement sur les covariables, bien que le conditionnement sur les variables pronostiques améliore l'efficacité.

3. Estimateurs :
   Les auteurs dérivent des estimateurs de machine learning causal basés sur les Fonctions d'Influence Efficaces (EIF) au sein d'un modèle non paramétrique :

   • Estimateurs One-Step : Construits en utilisant l'EIF des variances des résultats potentiels.
   • Estimateurs de la Maximum Likelihood Ciblée (TMLE) : Développés en penchant les estimateurs de paramètres de nuisance (régression de résultat et score de propension) pour résoudre l'équation de l'EIF.
   • Versions avec Cross-Fitting : Variantes des estimateurs ci-dessus utilisant la division d'échantillon pour éviter les conditions de classe de Donsker.
   • Les estimateurs utilisent des algorithmes de machine learning flexibles (par exemple, Super Learner, Forêts Aléatoires) pour l'estimation des paramètres de nuisance.

4. Propriétés Asymptotiques :
   Le papier prouve que ces estimateurs sont doubles robustes (consistants si soit le score de propension, soit la régression de résultat est correctement spécifié) et asymptotiquement linéaires sous des conditions modérées. Plus précisément, ils atteignent des taux de convergence de $n^{-1/2}$ si le produit des erreurs d'estimation des paramètres de nuisance converge à un taux plus rapide que $n^{-1/2}$. Cela permet la construction d'intervalles de confiance de type Wald et de tests d'hypothèse valides dans des contextes non paramétriques.

Résultats Clés

• Étude de Simulation 1 (Double Robustesse) : A démontré que les estimateurs proposés présentent un biais empirique négligeable lorsqu'un score de propension ou une régression de résultat est correctement spécifié, confirmant la double robustesse.
• Étude de Simulation 2 (Linéarité Asymptotique) : A montré que les estimateurs atteignent une linéarité asymptotique dans des échantillons finis, avec des probabilités de couverture convergeant vers les niveaux nominaux à mesure que la taille de l'échantillon augmente. Les estimateurs avec cross-fitting ont montré une performance supérieure dans les grands échantillons, atténuant les compromis biais-variance associés au machine learning flexible.
• Étude de Simulation 3 (Détection sous Erreur de Mesure) : Dans un contexte d'RCT avec un modificateur d'effet mal mesuré, les estimateurs de variance différentielle ont maintenu une puissance statistique élevée pour détecter l'HTE. En revanche, un test omnibus basé sur les forêts causales pour l'hétérogénéité du CATE perdait de la puissance à mesure que l'erreur de mesure augmentait, échouant à détecter l'hétérogénéité lorsque le modificateur d'effet était complètement mal mesuré.
• Application (Essais TTM et TTM2) : La méthodologie a été appliquée pour ré-analyser les essais de Gestion de la Température Cible (TTM) et TTM2. Bien que l'essai TTM n'ait montré aucune variance différentielle significative (probablement dû à la petite taille de l'échantillon), l'essai TTM2 a rejeté l'hypothèse d'effet de traitement homogène du second moment ($p < 0,01$). Cependant, la différence estimée des écarts-types était inférieure à un jour, suggérant que bien qu'une hétérogénéité statistique existe, elle peut ne pas être cliniquement exploitable.

Signification et Revendications
Le papier affirme offrir une alternative pratique à l'inférence basée sur le CATE pour la détection de l'hétérogénéité des effets de traitement dans des contextes où les modificateurs d'effet sont manquants ou mal mesurés. En se concentrant sur la variance des résultats potentiels, les auteurs fournissent une méthode qui :

• Ne nécessite pas l'identification ou la mesure de modificateurs d'effet spécifiques.
• Offre des métriques interprétables (contrastes de variance absolue ou relative) pour la prise de décision sensible au risque.
• Fournit des tests d'hypothèse formels avec des garanties asymptotiques dans les études randomisées et observationnelles.
• Sert d'analyse de sensibilité complémentaire aux flux de travail CATE et TEM-VIP ; un résultat significatif en inférence de variance différentielle après un résultat nul de CATE peut indiquer qu'une hétérogénéité existe mais qu'elle est pilotée par des facteurs non mesurés.

Les auteurs soulignent que bien que leur méthode détecte la présence de l'hétérogénéité, elle n'identifie pas la source ou la directionnalité de l'effet, une limitation inhérente aux contrastes de variance marginale. Néanmoins, ils soutiennent que la détection de départs exploitables de l'homogénéité est précieuse même lorsque le mécanisme sous-jacent reste inconnu.