The Role of Measured Covariates in Assessing Sensitivity to Unmeasured Confounding

1. Le Problème : L'Interaction entre Multicolinéarité et Confusion Non Mesurée

L'article aborde une lacune critique dans les analyses de sensibilité des études observationnelles. Traditionnellement, la multicolinéarité forte entre une exposition ($A$) et des covariables mesurées ($X$) est considérée comme un problème de puissance statistique : elle augmente les erreurs-types et réduit la précision des estimations, mais ne biaise pas les estimateurs si le modèle est correctement spécifié.

Cependant, les auteurs soulignent que lorsque les covariables mesurées ($X$) agissent comme des proxies imparfaits pour des facteurs de confusion latents ($U$) non mesurables, une forte association entre $A$ et $X$ peut paradoxalement amplifier la sensibilité des conclusions causales à la confusion résiduelle. Autrement dit, plus le proxy $X$ prédit bien l'exposition $A$, plus l'estimation de l'effet causal est vulnérable à un biais de variable omise, même si les tests de sensibilité standards semblent robustes.

2. Méthodologie et Cadre Théorique

Les auteurs formalisent ce phénomène dans le cadre de la régression linéaire standard.

Modèle Structurel :
Ils considèrent un modèle où la variable de résultat $Y$ dépend de l'exposition $A$, d'une covariable mesurée $X$ (proxy de $U$), et d'un facteur de confusion non mesuré $U$ :
$$Y = \alpha_0 + \beta A + \theta_X X + \gamma U + \varepsilon_Y$$
avec $X = U + \varepsilon_X$ (où $\varepsilon_X$ est l'erreur de mesure du proxy).

Hypothèse Clé (Assumption 3.1) :
L'exposition $A$ et le proxy $X$ ne partagent aucune cause commune sauf le facteur latent $U$. Cela implique que $X$ n'a pas d'effet direct sur $A$.

Développement Théorique (Proposition 1) :
Les auteurs dérivent une expression pour le biais dans le coefficient estimé de l'exposition ($\hat{\beta}_{A}$) par rapport au vrai paramètre causal ($\beta$). Ils montrent que le biais est proportionnel à un ratio observable :

$$\text{Biais} \propto \gamma \cdot \text{Var}(\varepsilon_X) \cdot \frac{\beta_{A \sim X}}{\text{Var}(A)(1 - R^2_{A \sim X})}$$

Où :

• $\gamma$ est la force de la confusion de $U$ sur $Y$.
• $\text{Var}(\varepsilon_X)$ représente la qualité du proxy (plus l'erreur est grande, plus le proxy est mauvais).
• Le terme critique : $\frac{\beta_{A \sim X}}{\text{Var}(A)(1 - R^2_{A \sim X})}$. Ce terme représente le coefficient de régression de $A$ sur $X$ divisé par la variance résiduelle de $A$ après avoir contrôlé pour $X$.

Interprétation :
Lorsque l'association entre l'exposition et le proxy ($\beta_{A \sim X}$) est forte, et que la variance résiduelle de l'exposition est faible, le biais potentiel dû à un facteur de confusion non mesuré est amplifié. Cela signifie que même une petite corrélation résiduelle avec un facteur non mesuré peut avoir un impact démesuré sur l'estimation finale.

3. Application Empirique : Tabagisme et Cancer du Poumon

Pour illustrer leur théorie, les auteurs analysent l'évolution de la relation entre le tabagisme et les facteurs socio-économiques au fil du temps, en utilisant les données de l'enquête NHANES (National Health and Nutrition Examination Survey) sur deux périodes : 1971-1974 et 2015-2016.

Contexte :
Historiquement, le tabagisme était plus répandu dans les milieux défavorisés, mais cette stratification a changé. Les auteurs s'attendent à ce que le statut socio-économique (SES) soit un facteur de confusion latent majeur pour le lien tabac-cancer.

Résultats des Données :

• Évolution de la prédiction : Les modèles de propension (logistique) montrent que le statut de fumeur est beaucoup mieux prédit par les covariables observées (âge, race, éducation, indice de pauvreté) en 2015-2016 (C-statistique $\approx$ 0.70) qu'en 1971-1974 (C-statistique $\approx$ 0.61-0.65).
• Multicolinéarité accrue : Le coefficient de régression reliant l'indice de pauvreté ($X$) au tabagisme ($A$) a considérablement augmenté entre les deux périodes, tandis que la variance résiduelle du tabagisme est restée stable.
• Mesure de sensibilité : En calculant le ratio théorique proposé ($\beta_{A \sim X} / \text{Var}_{resid}(A)$), les auteurs constatent que les intervalles de confiance pour cette métrique ne se chevauchent pas entre les deux périodes.

Conclusion de l'application :
Les estimations de l'effet du tabagisme sur le cancer du poumon basées sur les données récentes (2015-2016) sont plus sensibles à la confusion non mesurée que celles basées sur les données anciennes (1971-1974). Cela est dû au fait que le tabagisme est devenu plus fortement déterminé par des facteurs socio-économiques mesurés, rendant les proxies de ces facteurs plus puissants pour expliquer l'exposition, et donc plus dangereux en cas de biais résiduel.

4. Contributions Clés

1. Formalisation du paradoxe de la multicolinéarité : L'article démontre que dans un contexte de confusion non mesurée, une forte multicolinéarité entre l'exposition et les covariables de contrôle (proxies) n'est pas seulement un problème de variance, mais un multiplicateur de biais.
2. Nouvelle métrique observable : Introduction d'un ratio simple (coefficient de l'exposition sur le proxy divisé par la variance résiduelle de l'exposition) qui peut être calculé directement à partir des données observées pour quantifier l'amplification de la sensibilité.
3. Réinterprétation des analyses de sensibilité : Mise en garde contre l'interprétation naïve des analyses de sensibilité (comme les valeurs de robustesse de Cinelli et Hazlett) lorsque des covariables fortement corrélées à l'exposition sont utilisées comme contrôles. Une analyse de sensibilité peut indiquer une robustesse apparente alors que la structure des données rend l'estimation intrinsèquement fragile.

5. Signification et Implications

Ce travail a des implications majeures pour la recherche épidémiologique et les sciences sociales :

• Prudence accrue : Les chercheurs doivent être extrêmement vigilants lorsqu'ils interprètent des résultats causaux dans des contextes où l'exposition est fortement stratifiée par des facteurs socio-économiques ou démographiques mesurés.
• Limites des proxies : L'utilisation de proxies pour des facteurs de confusion latents devient plus risquée à mesure que ces proxies deviennent de meilleurs prédicteurs de l'exposition.
• Évolution temporelle des biais : L'étude montre que la validité des conclusions causales peut se dégrader au fil du temps non pas parce que les données sont de moins bonne qualité, mais parce que la structure de la confusion (la corrélation entre exposition et covariables) change, augmentant la sensibilité aux facteurs non mesurés.

En résumé, Dalal et al. avertissent que la multicolinéarité doit être considérée non seulement comme un défi statistique pour la précision, mais comme un indicateur critique de la vulnérabilité d'une étude aux biais de confusion non mesurés.