📊 statistics

Treatment effect: a critique

Cet article critique la distinction entre les définitions des effets de traitement fondées sur des modèles et celles fondées sur le contrefactuel, soutenant que si les cadres contrefactuels offrent une clarté idéalisée, les définitions sans modèle peuvent être inadaptées pour généraliser les conclusions scientifiques au-delà de l'échantillon observé, faisant écho aux préoccupations soulevées par Cox.

Auteurs originaux : Heather Battey, Charlotte Edgar

Publié 2026-01-23

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Heather Battey, Charlotte Edgar

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous êtes un chef essayant de déterminer si l'ajout d'une épice secrète (le « traitement ») améliore le goût d'une soupe. Vous voulez savoir précisément à quel point elle est meilleure. Ce document est un débat entre deux groupes de statisticiens sur la meilleure façon de mesurer cette « amélioration ».

Voici la décomposition de l'argumentation du document, en utilisant des analogies simples.

Les deux recettes concurrentes

Les auteurs, Battey et Edgar, comparent deux façons différentes de définir un « effet de traitement » (l'impact de l'épice).

1. La recette « basée sur un modèle » (l'approche fisherienne)

L'idée : Cette approche suppose qu'il existe une règle cachée et stable qui régit la façon dont la soupe change. Voyez cela comme une loi de la physique. Si vous ajoutez l'épice, la saveur de la soupe change d'un montant spécifique et constant (comme ajouter exactement 2 grammes de sel).
Le but : Trouver cette « règle » ou ce paramètre stable. Même si vous cuisinez la soupe avec des ingrédients de base différents (des personnes différentes), le changement causé par l'épice reste constant selon la règle.
L'analogie : Imaginez un tapis roulant où chaque boîte reçoit un autocollant. Le « effet de traitement » est la taille de l'autocollant. C'est la même taille pour chaque boîte, peu importe ce qu'il y a à l'intérieur de la boîte.

2. La recette « sans modèle » (l'approche contrefactuelle)

L'idée : Cette approche ne suppose pas de règle cachée. Elle pose une question de type « Et si ? » pour chaque personne. « Qu'aurait goûté la Personne A si elle n'avait pas reçu l'épice, comparé à ce qu'elle a goûté ? »
Le but : Calculer la différence moyenne entre le « monde réel » et le « monde imaginaire » pour tout le monde dans le groupe.
L'analogie : Imaginez que vous avez 100 clones de vous-même. Vous donnez l'épice à un clone et pas à l'autre. Puis vous recommencez avec un autre ensemble de clones. Vous prenez la moyenne de toutes ces différences. C'est la méthode « sans modèle ».

Le gros problème : L'effet « Caméléon »

Les auteurs soutiennent que l'approche « sans modèle » présente une faille majeure : elle change selon la personne à qui l'on pose la question.

Pour le prouver, ils utilisent une expérience de pensée (une « idéalisation fictive »). Ils font mine de posséder une machine magique qui permet de voir les versions « épicées » et « non épicées » de chaque personne en même temps. Même avec cette information parfaite, la moyenne « sans modèle » se comporte étrangement.

L'analogie de la règle instable :
Imaginez que vous mesuriez la taille d'un groupe de personnes pour voir à quel point une hormone de croissance (le traitement) les aide à grandir.

La vue basée sur un modèle dit : « L'hormone fait grandir tout le monde de exactement 2 pouces. » C'est un fait stable.
La vue sans modèle calcule la croissance moyenne.
- Si votre groupe est composé de personnes très petites, l'hormone pourrait les faire grandir de 2 pouces, ce qui est une augmentation énorme en pourcentage.
- Si votre groupe est composé de personnes très grandes, ces mêmes 2 pouces pourraient ne représenter qu'une infime augmentation en pourcentage.
- Le résultat : Le « effet moyen » calculé par la méthode « sans modèle » change complètement simplement parce que vous avez choisi un groupe de personnes différent à mesurer.

Les auteurs montrent que dans de nombreux scénarios du monde réel (comme les résultats binaires tels que « malade » vs « en bonne santé »), la moyenne « sans modèle » dépend entièrement de la composition spécifique des personnes de votre échantillon. Si vous changez l'échantillon, la « réponse » change.

Pourquoi cela importe

Les auteurs soutiennent que si vous voulez formuler des conclusions scientifiques qui s'appliquent au monde entier (et pas seulement aux personnes spécifiques de votre étude), vous avez besoin d'une définition stable.

La critique : L'approche « sans modèle » est comme essayer de mesurer la « vitesse moyenne » d'une voiture en regardant à quelle vitesse elle roule sur différentes routes. Si la route est escarpée, elle va lentement ; si la route est plate, elle va vite. La « vitesse » n'est pas une propriété de la voiture ; c'est une propriété de la route spécifique sur laquelle vous avez conduit.
La conséquence : Si vous utilisez la méthode « sans modèle », votre conclusion sur le traitement peut être vraie pour votre groupe spécifique de patients, mais elle pourrait être complètement fausse pour le prochain groupe de patients que vous rencontrerez. Elle se généralise mal.

Répondre aux contre-arguments

Le document s'attaque également à trois défenses courantes de l'approche « sans modèle » :

« Mais les gens sont différents ! »
- Défense : La méthode « sans modèle » est meilleure car elle permet aux différentes personnes d'avoir des effets différents.
- Réfutation : La méthode « basée sur un modèle » peut gérer cela aussi ! Elle traite simplement les différences comme des « interactions » (comme dire que l'épice agit différemment sur une soupe épicée vs une soupe fade) tout en gardant la règle centrale stable.
« Nous ne voulons pas supposer un modèle ! »
- Défense : Nous ne devrions pas deviner la règle ; nous devrions simplement mesurer la différence.
- Réfutation : Si vous ne supposez pas de règle, vous perdez la capacité de dire quoi que ce soit de stable sur l'avenir. Vous vous retrouvez avec un chiffre qui ne fonctionne que pour les personnes spécifiques que vous avez mesurées aujourd'hui.
« Cela possède une "robustesse double" ! »
- Défense : Le calcul est ingénieux ; il fonctionne même si une partie du calcul est erronée.
- Réfutation : Cela n'est utile que si la chose que vous mesurez (la différence moyenne) est une cible significative et stable. Si la cible elle-même est vacillante (comme la règle instable), être « robuste » ne vous aide pas à atteindre le centre de la cible.

L'essentiel

Les auteurs concluent que bien que l'approche « sans modèle » (contrefactuelle) soit populaire et mathématiquement ingénieuse, elle échoue souvent à fournir une définition stable d'un effet de traitement qui puisse être généralisé à de nouvelles personnes.

Ils soutiennent que nous devrions revenir à l'approche « basée sur un modèle » (associée à R.A. Fisher), où nous cherchons une règle ou un paramètre stable qui explique comment le traitement fonctionne, plutôt que de simplement moyenner les différences dans un groupe spécifique, potentiellement non représentatif.

En bref : Ne vous contentez pas de moyenner les différences que vous observez dans votre groupe spécifique. Trouvez la règle sous-jacente qui explique le changement, afin que vos conclusions soient valables pour le prochain groupe que vous rencontrerez.

Résumé technique : L'effet de traitement : une critique

Énoncé du problème
L'article traite d'une divergence fondamentale dans la définition de l'« effet de traitement » en statistique. Un camp, ancré dans la tradition fisherienne, définit l'effet de traitement comme un paramètre stable au sein d'un modèle statistique (par exemple, un coefficient de régression). Le camp opposé, associé au modèle de Rubin et aux cadres contrefactuels (Rubin, 1974 ; Rosenbaum et Rubin, 1983), définit l'effet de traitement comme une différence de niveau de population sans modèle (ou model-free) entre les résultats potentiels (ou contrefactuels). Alors que la littérature a largement débattu de l'identifiabilité et de l'estimation des effets contrefactuels, cet article questionne la pertinence de la définition sans modèle (spécifiquement la différence moyenne des résultats potentiels) comme cible d'inférence lorsque l'objectif est la généralisation scientifique au-delà de l'échantillon observé. Les auteurs soutiennent que les définitions sans modèle peuvent manquer de stabilité et de cohérence scientifique, même dans des conditions idéalisées où les contrefactuels sont observables.

Méthodologie
Les auteurs emploient une analyse théorique comparative utilisant une « idéalisation fictive ». Pour isoler la question de ce qui est mesuré de celle de comment cela est estimé (c'est-à-dire les hypothèses non testables sur les variables inobservables), ils supposent un scénario où le processus contrefactuel est totalement connu, et où les deux résultats potentiels ( $Y_i(0)$ et $Y_i(1)$ ) sont observables pour chaque individu. Dans ce cadre idéalisé, le problème se réduit à un plan de paires appariées où chaque individu est jumelé à une copie parfaite.

Les auteurs comparent ensuite l'effet de traitement « sans modèle », défini comme la moyenne échantillonnale des différences individuelles :
$\tau_n := \frac{1}{n} \sum_{i=1}^n E_i(Y_i(1) - Y_i(0))$
contre l'effet de traitement « basé sur un modèle », défini comme un paramètre stable $\theta$ (ou $\Delta$ ) régissant une transformation de la distribution de probabilité du résultat (suivant McCullagh, 2002, 2022).

Ils analysent cinq exemples spécifiques pour tester la compatibilité de ces deux définitions :

Modèle linéaire : Effets additifs sur la moyenne.
Modèle exponentiel : Effets multiplicatifs sur le taux.
Modèle de Weibull : Effets multiplicatifs sur le taux avec un paramètre de forme $\alpha$ .
Modèle exponentiel (taux additif) : Effets additifs sur le taux.
Modèle logistique : Effets additifs sur le log-odds (résultats binaires).

Contributions clés et résultats
L'analyse produit les conclusions techniques suivantes :

Compatibilité dans les familles de transformation : Dans les cas où l'effet de traitement agit comme une transformation de groupe sur les paramètres de la distribution de base (par exemple, des décalages additifs dans un modèle linéaire ou des décalages multiplicatifs dans un taux exponentiel), la moyenne sans modèle $\tau_n$ récupère le paramètre basé sur le modèle (ou une transformation simple de celui-ci).
Instabilité dans les familles non de transformation : Dans les cas où l'effet de traitement est défini de manière stable dans le modèle (par exemple, un décalage additif $\Delta$ $Δ$ à un taux exponentiel, ou un décalage additif $\Delta$ $Δ$ aux log-odds logistiques), la moyenne sans modèle $\tau_n$ $τ_{n}$ ne parvient pas à récupérer un paramètre stable. Au lieu de cela, $\tau_n$ $τ_{n}$ devient une fonction complexe des paramètres de base spécifiques ( $\gamma_i$ $γ_{i}$ ) des individus échantillonnés.
- Exemple : Dans le modèle de taux exponentiel additif, $\tau_n = \frac{1}{n} \sum \log((\gamma_i + \Delta)/\gamma_i)$ . Cette valeur varie considérablement selon la distribution de $\gamma_i$ dans l'échantillon. Si $\gamma_i$ sont petits, $\tau_n$ est grand ; si $\gamma_i$ sont grands, $\tau_n$ est minuscule.
- Exemple : Dans le modèle logistique, $\tau_n$ dépend des valeurs spécifiques des prédicteurs linéaires $\gamma_i$ des unités échantillonnées.
Conditions nécessaires pour l'équivalence : Les auteurs dérivent trois critères sous lesquels les définitions sans modèle et basées sur le modèle donnent des réponses identiques pour tout échantillon :
1. L'effet de traitement agit sur la distribution de base via l'espace des paramètres de base.
2. L'action de groupe est cohérente sur les observations.
3. Aucun paramètre de nuisance autre que le paramètre de base n'est nécessaire pour caractériser l'espérance pertinente.
  Le non-respect de ces conditions (comme vu dans les deux derniers exemples) rend la cible sans modèle dépendante de l'échantillon spécifique choisi, violant ainsi le principe des paramètres stables.

Signification et revendications
L'article affirme que l'instabilité de l'effet de traitement sans modèle $\tau_n$ est une faille critique lorsque des conclusions scientifiques sont destinées à la généralisation. Les auteurs font écho aux préoccupations soulevées par Cox (1958b, 2012) concernant l'adéquation des moyennes sans modèle comme cibles d'inférence.

Généralisabilité : Parce que $\tau_n$ dépend de la distribution spécifique des caractéristiques de base dans l'échantillon, les conclusions tirées d'une étude peuvent ne pas se généraliser à une population différente ayant une distribution de $\gamma_i$ différente, même si le mécanisme causal sous-jacent (le paramètre du modèle) est identique.
Pratique scientifique : Les auteurs soutiennent que si les effets de traitement varient systématiquement selon les unités, cette variation devrait être expliquée via des termes d'interaction au sein d'un modèle stable (comme dans le formalisme de McCullagh), plutôt que d'être absorbée dans une moyenne instable et dépendante de l'échantillon.
Réfutation des défenses courantes : L'article répond à trois arguments courants en faveur des définitions sans modèle :
- Hétérogénéité : Le cadre basé sur le modèle peut accommoder des effets spécifiques à l'individu grâce à des composantes d'interaction tout en maintenant la stabilité des paramètres.
- Erreur de spécification du modèle : Bien que les approches sans modèle évitent la spécification erronée, elles sacrifient la stabilité et l'interprétabilité. Si un modèle est mal spécifié, il perd également sa stabilité, ce qui souligne la nécessité de vérifications de l'adéquation du modèle.
- Robustesse double : La propriété de robustesse double n'est pertinente que si le paramètre cible $\tau_n$ est accepté comme une quantité scientifique valide ; les auteurs contestent cette acceptation.

Conclusion
L'article conclut que la définition sans modèle de l'effet de traitement n'est pas une cible d'inférence universellement appropriée. Dans de nombreux contextes scientifiques standards (tels que les modèles logistiques ou exponentiels additifs), la moyenne sans modèle est une quantité instable qui change avec la composition de l'échantillon, alors que le paramètre basé sur le modèle reste une quantité stable et scientifiquement significative. Les auteurs suggèrent que la prolifération de méthodes pour traiter la validité conditionnelle ou les moyennes de sous-populations est un symptôme de cette instabilité sous-jacente de la définition sans modèle.

Les deux recettes concurrentes

Le gros problème : L'effet « Caméléon »

Pourquoi cela importe

Répondre aux contre-arguments

L'essentiel

Articles similaires