📊 statistics

Examining the Efficacy of Coarsened Exact Matching as an Alternative to Propensity Score Matching

Cet article soutient que l'appariement exact grossier (CEM) n'est pas une alternative supérieure à l'appariement par score de propension (PSM) car il souffre d'un biais de confusion résiduel dû à sa nature inexacte, ne parvient pas à surpasser le PSM dans la réduction du déséquilibre lorsqu'on tient compte de la variation aléatoire, et devient instable et inefficace dans des contextités de haute dimension, alors que le PSM demeure plus robuste face aux erreurs de spécification de modèle.

Auteurs originaux : Fei Wan

Publié 2026-02-03

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Fei Wan

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 essayez de déterminer si un nouveau médicament est efficace. L'étalon-or est l'essai clinique randomisé (ECR), où l'on lance une pièce pour décider qui reçoit le médicament et qui reçoit un placebo. Parce qu'il est aléatoire, les deux groupes sont parfaitement équilibrés : les personnes ayant reçu le médicament sont, en moyenne, aussi en bonne santé, aussi âgées et aussi riches que celles qui ne l'ont pas reçu.

Mais dans le monde réel, nous ne pouvons souvent pas lancer de pièce (c'est trop coûteux ou contraire à l'éthique). Nous examinons donc des données observationnelles (comme les dossiers hospitaliers). Ici, le « groupe médicament » peut être plus malade ou plus âgé que le « groupe témoin » dès le départ. C'est ce qu'on appelle la confusion (ou biais de confusion). Pour corriger cela, les statisticiens utilisent des techniques d'appariement (matching) pour coupler des personnes malades du groupe médicament avec des personnes similaires du groupe témoin, tentant ainsi de recréer cet équilibre parfait du lancer de pièce.

Pendant longtemps, l'outil standard pour cela a été l'appariement par score de propension (PSM - Propensity Score Matching). Récemment, un nouvel outil appelé appariement exact grossier (CEM - Coarsened Exact Matching) est devenu très populaire. De nombreux chercheurs ont affirmé que le CEM était la version « supérieure » du PSM.

Cet article, écrit par Fei Wan, soutient que le CEM n'est en fait pas le super-héros que tout le monde croit. En fait, pour de nombreuses situations, le PSM est l'outil le plus performant et le plus fiable.

Voici la décomposition de pourquoi, en utilisant des analogies simples :

1. La « photo floue » vs le « cliché imprécis »

L'affirmation : Le CEM est souvent appelé « appariement exact », mais il ne l'est pas. C'est en réalité un « appariement flou ».

L'analogie : Imaginez que vous essayiez d'apparier des personnes en fonction de leur taille.
- Le PSM revient à prendre une photo haute résolution de la taille de chacun et à trouver la personne la plus proche de la taille cible. Même si elles ne sont pas exactement de la même taille, les mathématiques garantissent que si l'on regarde l'ensemble du groupe, la taille moyenne est parfaitement équilibrée. Les petites différences ne sont que du bruit aléatoire (comme un léger flou dans une photo) qui s'annule lorsque l'on dispose d'assez de personnes.
- Le CEM revient à placer tout le monde dans des seaux : « Petit », « Moyen » et « Grand ». Vous associez ensuite des personnes qui se trouvent dans le même seau.
- Le problème : À l'intérieur du seau « Moyen », vous pouvez avoir quelqu'un qui mesure 1m67 et quelqu'un qui mesure 1m75. Ils sont dans le même seau, mais ils sont très différents. Cela crée une erreur systématique (confusion résiduelle) qui ne disparaît pas, peu importe le nombre de personnes que vous ajoutez à l'étude. C'est comme essayer de comparer des pommes et des oranges simplement parce qu'elles sont toutes deux dans le même panier de « Fruits ».

2. La « corde raide » de la complexité

L'affirmation : Le CEM s'effondre lorsque vous avez trop de variables (la « malédiction de la dimensionnalité »).

L'analogie : Imaginez que vous essayiez de trouver le jumeau parfait d'une personne sur la base de 10 traits différents (taille, poids, couleur des yeux, pointure, pizza préférée, etc.).
- Le CEM essaie de mettre tout le monde dans des boîtes basées sur ces 10 traits à la fois. À mesure que vous ajoutez des traits, les boîtes deviennent si spécifiques que la plupart d'entre elles finissent par être vides. Vous perdez tellement de données (des personnes qui ne rentrent dans aucune boîte) que vos résultats deviennent instables et peu fiables. C'est comme essayer de trouver une aiguille dans une botte de foin, mais la botte de foin rétrécit sans cesse jusqu'à ce qu'il n'en reste plus rien.
- Le PSM ne cherche pas à s'apparier directement sur les 10 traits. Au lieu de cela, il calcule un score unique (un résumé de ces 10 traits) et associe les personnes en fonction de ce score. Cela évite le problème des boîtes vides et maintient la stabilité des données, même lorsque vous avez de nombreuses variables.

3. Le « jeu de devinettes » (Dépendance au modèle)

L'affirmation : Le CEM vous oblige à faire des suppositions parfaites sur les données plus tard, tandis que le PSM est plus indulgent.

L'analogie :
- Le CEM est comme un puzzle où vous forcez les pièces à s'assembler en les ponçant (grossissant/coarsening) pour qu'elles sentent. Parce que vous les avez poncées, les pièces ne s'emboîtent plus parfaitement. Pour obtenir l'image correcte, vous devez maintenant utiliser une formule très complexe et parfaite pour « réparer » les écarts. Si votre formule est même légèrement erronée, toute l'image est ruinée.
- Le PSM est comme un puzzle où les pièces s'emboîtent naturellement. Même si vous utilisez une formule simple et légèrement imparfaite pour observer le résultat, l'image reste globalement correcte car les pièces étaient équilibrées dès le départ. Le PSM est « robuste », ce qui signifie qu'il ne se brise pas aussi facilement lorsqu'on commet une petite erreur de calcul.

4. Le problème de la « règle »

L'affirmation : Des études précédentes disaient que le PSM était mauvais pour équilibrer les groupes parce qu'elles utilisaient le mauvais instrument de mesure.

L'analogie : Certains chercheurs affirmaient que le PSM échouait car ils utilisaient une règle qui ne mesurait que la distance entre les personnes, ignorant la direction.
- L'auteur soutient que dans le PSM, si une personne est légèrement plus grande et une autre légèrement plus petite, ces différences aléatoires s'annulent.
- Les anciens outils de mesure (comme la distance de Mahalanobis) traitaient ces hauts et ces bas aléatoires comme des « erreurs » qui s'aggravaient.
- L'auteur propose une nouvelle façon de mesurer (les Différences Moyennes Standardisées) qui tient compte de ces hauts et bas aléatoires. Lorsque vous utilisez cette nouvelle règle, le PSM semble bien plus efficace pour équilibrer les groupes que le CEM.

L'essentiel

L'article conclut que le CEM n'est pas une solution miracle.

Si vous avez un petit nombre de variables, le CEM peut fonctionner de manière acceptable, mais il comporte toujours des failles cachées.
Si vous avez beaucoup de variables (ce qui est courant dans les données du monde réel), le CEM vous fait perdre trop de données et introduit des erreurs systématiques difficiles à corriger.
Le PSM reste le choix le plus robuste et le plus fiable car il gère mieux le caractère aléatoire, nécessite moins de mathématiques parfaites pour obtenir un bon résultat, et ne rejette pas autant de données.

L'auteur avertit que de nombreux médecins et chercheurs ont utilisé le CEM en pensant qu'il s'agissait de la solution « exacte », alors qu'il s'agit en fait d'un raccourci « inexact » qui peut conduire à des résultats biaisés s'il n'est pas manipulé avec une extrême prudence.

Résumé technique : Examen de l'efficacité de l'appariement exact grossier (CEM) comme alternative à l'appariement par score de propension (PSM)

1. Énoncé du problème

L'appariement exact grossier (Coarsened Exact Matching - CEM) est fréquemment promu dans la recherche sur l'efficacité comparative comme une alternative supérieure à l'appariement par score de propension (Propensity Score Matching - PSM) pour traiter le déséquilibre des covariables, la dépendance au modèle et le biais statistique. Les partisans soutiennent que le CEM améliore le PSM en réduisant le « paradoxe du PSM », où le PSM est accusé d'augmenter le déséquilibre et la dépendance au modèle à mesure qu'il s'approche d'un appariement exact par l'élagage des paires mal appariées.

Cependant, cet article soutient que la recommandation de remplacer le PSM par le CEM est incertaine et potentiellement erronée en raison de trois problèmes principaux :

Caractérisation erronée de l'exactitude : Le CEM est souvent qualifié à tort d'« appariement exact ». En réalité, il repose sur des variables grossières (variables continues regroupées en classes ou variables catégorielles groupées), et non sur les variables originales. Cette inexactitude inhérente introduit un biais de confusion résiduel systématique qui ne disparaît pas avec l'augmentation de la taille de l'échantillon.
Interprétation erronée des mesures de déséquilibre : Les études antérieures affirmant que le CEM surpasse le PSM dans la réduction du déséquilibre utilisent souvent des métriques telles que la distance de Mahalanobis. Ces métriques ne parviennent pas à distinguer le déséquilibre systématique de la variation aléatoire (déséquilibre dû au hasard). Dans le PSM, les différences de covariables entre les paires appariées ayant des scores de propension identiques proviennent du hasard et ont tendance à s'annuler à mesure que la taille de l'échantillon augmente ; cependant, le déséquilibre du CEM est structurel et persistant.
Dépendance au modèle et dimensionnalité : Parce que le CEM laisse un biais de confusion résiduel, une estimation non biaisée nécessite une modélisation de régression précise de la relation entre le résultat et le facteur de confusion après l'appariement. Cela augmente la vulnérabilité à la spécification incorrecte du modèle. De plus, le CEM souffre de la « malédiction de la dimensionnalité » lorsqu'on effectue un appariement sur de nombreuses covariables, ce qui entraîne une perte substantielle de données, à moins d'utiliser un grossissement agressif, ce qui, en retour, exacerbe le biais de confusion résiduel.

2. Méthodologie

Cadre théorique et hypothèses

L'étude opère sous les hypothèses standards de l'inférence causale : l'hypothèse de stabilité de l'unité de traitement (SUTVA), l'ignorabilité conditionnelle (absence de confusion), la positivité et un modèle de résultat linéaire (ou d'interaction).

PSM : Utilise le score de propension $e(X) = P(W=1|X)$ , qui possède la propriété de score d'équilibrage ( $W \perp\!\!\perp X | e(X)$ ) et d'ignorabilité forte. L'article pose qu'en design de PSM à appariement exact, les déséquilibres de chance dans les covariables n'introduisent pas de biais, et qu'une estimation non biaisée peut être obtenue via une simple différence de moyennes sans modélisation du résultat.
CEM : Implique une étape de « grossissement » où les variables continues sont regroupées en classes et les variables catégorielles sont regroupées pour créer un vecteur de dimension inférieure $C$ . L'appariement se fait sur les valeurs exactes de $C$ . Crucialement, $C$ n'est pas une statistique suffisante pour $X$ concernant l'assignation au traitement, ce qui signifie que $W \not\perp\!\!\perp X | C$ . Cela résulte en un déséquilibre systématique intra-strate ( $\delta_c \neq 0$ ) qui persiste quel que soit la taille de l'échantillon.

Métriques proposées

L'article critique les métriques de déséquilibre existantes (ex: distance de Mahalanobis, métriques $L_1$ ) qui ignorent la direction des déséquilibres de chance, ce qui empêche leur moyenne de tendre vers zéro dans les études de simulation.

Nouvelle métrique : Les auteurs proposent une métrique de déséquilibre multivariée basée sur la différence de moyenne standardisée (SMD). Cette métrique additionne les valeurs absolues des SMD moyennées à travers des échantillons simulés, spécifiquement conçue pour capturer le déséquilibre systématique (qui dévie de zéro) par rapport au déséquilibre aléatoire dû au hasard (qui tend vers zéro).

Conception de la simulation

L'étude utilise une étude de simulation complète comparant le CEM (utilisant un grossissement « Auto » via la règle de Sturges et un grossissement « G3 » en trois groupes) contre le PSM (appariement du plus proche voisin avec un calibre de 0,2).

Scénarios :
- Effets de traitement homogènes vs hétérogènes : Évaluation de la performance sous des effets de traitement constants ou variables.
- Spécification du modèle : Test de la performance sous des modèles de résultat correctement spécifiés et mal spécifiés (incluant des non-linéarités et des interactions).
- Dimensionnalité : Variation du nombre de facteurs de confusion ( $p=2, 5, 7$ ) pour évaluer la malédiction de la dimensionnalité.
- Prévalence du traitement : Examen des taux de traitement faibles (~~10 %) vs élevés (~~30 %) pour évaluer le biais dans l'estimation de l'effet moyen du traitement sur les traités (PATT).
Analyse : L'étude évalue le biais, la variance et l'erreur quadratique moyenne (MSE) en utilisant à la fois des analyses non ajustées (différences de moyennes) et des analyses ajustées (régression avec termes linéaires).

3. Principales contributions et résultats

1. Déséquilibre systématique vs aléatoire

Constat : Dans le PSM, le déséquilibre des covariables entre les paires appariées est aléatoire et converge vers zéro à mesure que le nombre de paires augmente. Dans le CEM, le déséquilibre est systématique et dicté par le processus de grossissement ; il ne diminue pas avec l'augmentation de la taille de l'échantillon.
Résultat : Les analyses non ajustées (simples différences de moyennes) sont nettement moins biaisées sous le PSM que sous le CEM. Le CEM nécessite un ajustement par régression post-appariement pour atténuer le biais de confusion résiduel, tandis que le PSM ne nécessite pas strictement cela pour une estimation non biaisée sous la propriété du score d'équilibrage.

2. Dépendance au modèle et spécification incorrecte

Constat : La dépendance du CEM aux variables grossières signifie que l'estimation non biaisée est contingente sur la modélisation correcte de la relation entre le résultat et les facteurs de confusion originaux.
Résultat : Lorsque le modèle de résultat est mal spécifié, le CEM produit un biais nettement plus élevé que le PSM. L'article fournit une proposition théorique (Proposition 1) démontrant que dans un design de PSM à appariement exact, une classe de modèles linéaires mal spécifiés (omettant des termes non linéaires ou d'interaction) peut tout de même produire des estimations de l'ATT asymptotiquement non biaisées. En revanche, le CEM reste hautement sensible à la spécification incorrecte du modèle en raison de son biais de confusion structurel.

3. La malédiction de la dimensionnalité et les compromis de grossissement

Constat : À mesure que le nombre de covariables augmente, le CEM avec un grossissement fin (ex: « Auto ») souffre d'une perte de données sévère (biais de parcimonie), entraînant des estimations instables.
Résiment : Augmenter le niveau de grossissement (ex: « G3 ») atténue la perte de données mais introduit un biais de confusion résiduel et une dépendance au modèle plus importants. Par conséquent, dans les contextes de haute dimension, le CEM est moins performant que le PSM en termes de biais, de variance et d'erreur quadratique moyenne (MSE), particulièrement lorsque le modèle de résultat est mal spécifié.

4. Effets de traitement hétérogènes

Constat : Les schémas observés pour les effets homogènes persistent sous des effets de traitement hétérogènes.
Résultat : Le PSM démontre systématiquement un biais et une variance plus faibles que le CEM, surtout lorsque la prévalence du traitement est élevée et que le modèle de résultat est mal spécifié. Les estimateurs analytiques dans le PSM surpassent les estimateurs basés sur le modèle dans le CEM sous spécification incorrecte.

4. Signification et revendications

L'article conclut que le CEM n'est pas une alternative viable au PSM lorsqu'on effectue un appariement sur un grand nombre de covariables.

Correction des idées reçues : L'étude remet en question la vue prédominante dans la littérature clinique selon laquelle le CEM imite une expérience randomisée totalement bloquée ou est supérieur au PSM pour réduire le déséquilibre et la dépendance au modèle. Elle clarifie que le CEM est une méthode d'appariement inexacte qui introduit un biais structurel.
Orientation méthodologique : Les auteurs soutiennent que les affirmations de supériorité du CEM découlent souvent de l'utilisation de métriques de déséquilibre inappropriées (comme la distance de Mahalanobis) qui ne tiennent pas compte de la variation aléatoire. Lorsqu'ils sont évalués avec des métriques appropriées basées sur la SMD, le PSM démontre un meilleur équilibre des covariables.
Robustesse : Le PSM est montré comme étant plus robuste à la spécification incorrecte du modèle. Bien que le CEM réduise la dépendance au modèle par rapport aux données non appariées, il demeure plus dépendant d'une modélisation correcte du résultat que le PSM.
Limites : L'article reconnaît que le PSM n'est pas une panacée ; il ne peut pas traiter la confusion non mesurée et repose sur la spécification correcte du modèle de score de propension. Cependant, dans le cadre des facteurs de confusion observés, le PSM offre un cadre plus robuste pour réduire le biais et la dépendance au modèle que le CEM, particulièrement dans les contextes de haute dimension.

L'étude préconise une réévaluation du rôle du CEM dans la recherche observationnelle, suggérant que ses avantages théoriques sont souvent annulés par des limitations pratiques liées au biais de confusion résiduel et à la malédiction de la dimensionnalité.