Stress-Testing Assumptions: A Guide to Bayesian Sensitivity Analyses in Causal Inference

1. Problématique et Contexte

L'estimation des effets causaux à partir de données observationnelles est fondamentale en recherche biomédicale, mais elle repose inévitablement sur des hypothèses statistiques et causales intestables. Ces hypothèses incluent l'absence de confusion non mesurée, l'absence d'erreur de classification de l'exposition, et l'absence de données manquantes (ou un mécanisme de données manquantes aléatoire).

Lorsque ces hypothèses sont violées, les inférences causales peuvent être biaisées. Bien que des méthodes d'analyse de sensibilité existent pour évaluer l'impact de ces violations, leur adoption est faible en pratique. Les obstacles principaux sont :

• Le manque de ressources didactiques accessibles pour les praticiens.
• La complexité de l'implémentation, souvent perçue comme nécessitant des algorithmes de calcul bayésien sur mesure plutôt que des logiciels standards.
• La difficulté à combiner la théorie méthodologique avec des guides d'implémentation concrets.

L'article vise à combler ce fossé en démontrant comment réaliser des analyses de sensibilité bayésiennes de manière unifiée en traitant les hypothèses violées comme des données manquantes et en utilisant le logiciel open-source Stan.

2. Méthodologie : Une Approche Unifiée par les Données Manquantes

L'auteur propose un cadre unifié basé sur l'inférence bayésienne où la distinction fondamentale entre "paramètres" et "données" disparaît. Dans ce paradigme :

• Les paramètres inconnus et les données manquantes (ou non observées) sont tous traités comme des variables aléatoires.
• Les hypothèses non testables (ex: absence de confusion, absence d'erreur de mesure) sont encodées via des paramètres de sensibilité ($\xi$).
• L'analyse de sensibilité consiste à traiter ces paramètres de sensibilité comme des inconnues supplémentaires et à effectuer une inférence sur la distribution postérieure conjointe de tous les inconnus (paramètres du modèle, données manquantes, et paramètres de sensibilité).

L'implémentation repose sur Stan, un langage de programmation probabiliste utilisant l'échantillonnage Hamiltonien (HMC). L'article détaille comment spécifier la densité de vraisemblance non normalisée ($\log \tilde{f}$) et comment gérer les cas où les inconnues sont discrètes (nécessitant une marginalisation analytique ou l'utilisation de log_sum_exp pour la stabilité numérique).

L'article présente quatre exemples illustrant cette approche :

Exemple 1 : Erreur de classification de l'exposition (Exposure Misclassification)

• Problème : L'état d'exposition vrai $A$ est manquant, et on observe une version erronée $\tilde{A}$.
• Approche : Le modèle de classification erronée est gouverné par des paramètres de sensibilité (sensibilité et spécificité, notés $\xi_1, \xi_2$).
• Implémentation : Puisque les vrais états d'exposition $A_i$ sont discrets, ils ne peuvent pas être déclarés directement dans le bloc parameters de Stan. L'auteur propose de marginaliser analytiquement ces variables discrètes sur la vraisemblance conjointe, créant un mélange de deux composantes (pour $A_i=0$ et $A_i=1$) calculé via log_sum_exp pour assurer la stabilité numérique.

Exemple 2 : Confusion non mesurée (Unmeasured Confounding)

• Problème : Une covariable non mesurée $U$ affecte à la fois le traitement et le résultat, violant l'hypothèse d'ignorabilité.
• Approche : $U$ est modélisé comme une variable latente continue (ex: normale standard). Les paramètres de sensibilité ($\xi_1, \xi_2$) quantifient l'impact de $U$ sur le résultat et le traitement.
• Implémentation : Contrairement à l'exemple 1, $U$ est continu. Il peut donc être déclaré directement dans le bloc parameters de Stan avec une distribution a priori (ex: normale standard). L'inférence se fait sur la distribution postérieure conjointe incluant les valeurs imputées de $U$.

Exemple 3 : Résultats manquants non aléatoires (MNAR - Missing Not At Random)

• Problème : Les résultats $Y$ sont manquants pour certains sujets, et le mécanisme de manque dépend du résultat lui-même (violation de l'hypothèse MAR).
• Approche : Le mécanisme de manque est modélisé explicitement via une régression logistique dépendant de $Y$, $A$ et $L$, avec des paramètres de sensibilité ($\xi$).
• Implémentation : Comme pour l'exemple 1, les résultats manquants discrets doivent être marginalisés. L'auteur montre comment construire la vraisemblance marginale en sommant sur les valeurs possibles de $Y$ manquantes, en utilisant à nouveau log_sum_exp pour les mélanges.

Exemple 4 : Analyse de sensibilité non paramétrique bayésienne

• Problème : Les modèles paramétriques standards peuvent être mal spécifiés.
• Approche : Utilisation de mélanges à rupture de bâton tronquée (Truncated Stick-Breaking - TSB) pour modéliser la distribution conjointe des données. Cela permet une flexibilité accrue (modèles non paramétriques).
• Implémentation : L'article combine la flexibilité des modèles TSB avec le cadre de données manquantes. Les composantes identifiables de la distribution sont modélisées de manière flexible, tandis que le mécanisme de manque (non identifiable) est modélisé paramétriquement avec des priors sur les paramètres de sensibilité.

3. Résultats Clés et Illustrations

L'article fournit des codes complets (disponibles sur GitHub) et des analyses sur des données synthétiques pour chaque exemple :

• Visualisation des points de basculement (Tipping Points) : Pour chaque exemple, l'auteur trace l'estimation de l'effet causal moyen (ATE) et ses intervalles de crédibilité en fonction de différentes valeurs des paramètres de sensibilité. Cela permet d'identifier le seuil à partir duquel les conclusions changent (ex: un intervalle de crédibilité qui inclut zéro alors qu'il ne l'incluait pas sous l'hypothèse nulle).
• Impact des priors : L'étude montre comment des croyances a priori fortes (priors de masse ponctuelle) sur les paramètres de sensibilité influencent la distribution postérieure de l'effet causal.
• Flexibilité des modèles non paramétriques : L'exemple 4 démontre que les modèles TSB s'adaptent aux données observées tout en permettant d'intégrer des croyances a priori sur les zones de données manquantes, offrant une quantification de l'incertitude qui reflète à la fois la variabilité des données et l'incertitude sur les hypothèses.

4. Contributions Principales

1. Cadre Unifié : L'article établit que l'analyse de sensibilité pour divers types de violations (confusion, erreur de mesure, données manquantes) peut être traitée de manière cohérente comme un problème de données manquantes dans un cadre bayésien.
2. Guide d'Implémentation Pratique : C'est l'un des premiers travaux à fournir une "boîte à outils" complète combinant théorie mathématique, code Stan et exemples synthétiques. Il démystifie l'usage de Stan pour des analyses de sensibilité complexes.
3. Démonstration de la Faisabilité : L'article prouve que des analyses de sensibilité sophistiquées peuvent être réalisées avec des logiciels open-source standards (Stan) sans avoir besoin d'algorithmes de calcul sur mesure, rendant la méthode accessible aux praticiens.
4. Approche Didactique : En utilisant des traductions littérales des équations mathématiques vers le code (plutôt que des optimisations de performance), l'auteur facilite la compréhension de la structure de la vraisemblance postérieure pour les lecteurs.

5. Signification et Impact

Ce travail est significatif car il répond à un appel critique de la communauté de l'inférence causale (cité via Cinelli et al., 2025) concernant le manque d'adoption des méthodes d'analyse de sensibilité.

• Changement de paradigme : Il encourage les chercheurs à ne pas se contenter de déclarer l'existence potentielle de biais, mais à quantifier rigoureusement l'impact de ces biais en spécifiant des scénarios plausibles (via les paramètres de sensibilité).
• Accessibilité : En rendant le code et la méthodologie transparents, il réduit la barrière à l'entrée pour l'application de méthodes bayésiennes avancées dans la recherche empirique.
• Rigueur Scientifique : Il souligne que la qualité scientifique d'une étude dépend de la capacité à critiquer et à tester les hypothèses sous-jacentes, transformant l'analyse de sensibilité d'un exercice théorique en une étape pratique et reproductible de la recherche.

En résumé, cet article sert de manuel pratique pour "stresser" les hypothèses causales, permettant aux chercheurs de mieux comprendre la robustesse de leurs conclusions face à l'incertitude inhérente aux données observationnelles.