Robust Weighted Triangulation of Causal Effects Under Model Uncertainty

1. Problématique : L'Incertitude de Modèle en Inférence Causale

L'inférence causale à partir de données observationnelles repose sur l'hypothèse d'un modèle causal correctement spécifié. Cependant, dans la pratique, il existe souvent plusieurs modèles plausibles identifiant le même paramètre causal (par exemple, l'effet moyen du traitement) mais reposant sur des ensembles d'hypothèses d'identification distincts et parfois partiellement incompatibles.

• Le défi : Comment combiner les estimations provenant de ces modèles multiples pour obtenir une conclusion plus robuste sans devoir sélectionner explicitement un "meilleur" modèle (ce qui introduit des biais de sélection post-sélection) ?
• Limites des approches existantes :
  • Les méthodes de triangulation par facteurs de preuve (basées sur les p-values) sont conçues pour le test d'hypothèses plutôt que pour l'estimation d'effets.
  • Les méthodes de moyenne de modèles (Bayésiennes ou par vote) nécessitent souvent qu'une pluralité de modèles soit correcte ou reposent sur des hypothèses paramétriques fortes (linéarité).
  • Les approches actuelles peinent à gérer le cas où plusieurs modèles sont incorrects mais où au moins un est correct, sans exiger un accord total entre eux.

2. Méthodologie : La Fonctionnelle de Triangulation Pondérée

Les auteurs proposent un cadre unifié combinant les méthodes de découverte causale (testabilité des hypothèses) et la théorie de l'inférence semi-paramétrique.

A. Cadre Général

Soit $\theta$ le paramètre causal d'intérêt. L'analyste considère $K$ modèles candidats $M_1, \dots, M_K$. Chaque modèle $M_k$ fournit un fonctionnel d'identification $\psi_k$ tel que si $M_k$ est correct, alors $\psi_k = \theta$.

Chaque modèle est associé à un paramètre de données observables $\beta_k$ qui encode une implication testable de ses hypothèses d'identification (par exemple, une indépendance conditionnelle ou une contrainte de Verma).

• Si $M_k$ est correct, alors $\beta_k = 0$.
• Si $M_k$ est incorrect, alors $\beta_k \neq 0$ (sous des conditions de fidélité).

B. La Fonctionnelle de Triangulation

Au lieu d'utiliser une sélection dure (indicateur $I(\beta_k=0)$), les auteurs proposent une approximation lisse utilisant des noyaux gaussiens.

L'estimateur de triangulation $\psi$ est défini comme une moyenne pondérée :
$$\psi = \sum_{k=1}^K w_k \psi_k$$
où les poids $w_k$ sont déterminés par la proximité de $\beta_k$ à zéro :
$$w_k = \frac{\delta_a(\beta_k)}{\sum_{j=1}^K \delta_a(\beta_j)}$$
avec $\delta_a(x) = \frac{1}{|a|\sqrt{\pi}} e^{-(x/a)^2}$, où $a > 0$ est un paramètre de lissage contrôlant la "netteté" de l'approximation.

C. Propriétés Théoriques (Théorème 1)

Les auteurs établissent une borne sur l'erreur absolue $|\psi - \theta|$ :
$$|\psi - \theta| \leq \frac{\max_k |\psi_k - \theta|}{1 + D_a}$$
où $D_a$ est un facteur de discrimination dépendant des valeurs de $\beta_k$ pour les modèles corrects et incorrects.

• Robustesse : Si au moins un modèle est correct et testable, et que les modèles incorrects ont des $\beta_k$ suffisamment éloignés de zéro, le facteur de discrimination $D_a$ devient grand, réduisant ainsi le biais de l'estimateur combiné.
• Limites : La méthode tolère la spécification incorrecte de plusieurs modèles, à condition qu'au moins un soit correct et que ses violations soient détectables.

D. Procédure d'Inférence Statistique

Pour construire des intervalles de confiance valides, les auteurs proposent trois stratégies selon la nature des estimateurs disponibles pour $\psi_k$ et $\beta_k$ :

1. Estimation basée sur la fonction d'influence (Recommandée) : Utilisation de fonctions d'influence explicites pour obtenir des estimateurs asymptotiquement linéaires. La variance est estimée via la méthode delta et la matrice de covariance des fonctions d'influence.
2. Bootstrap empirique : Si les estimateurs sont basés sur des modèles paramétriques (plug-in), le bootstrap permet une inférence valide sous des conditions de régularité.
3. Sous-échantillonnage (Subsampling) : Si des estimateurs basés sur l'apprentissage automatique (ML) sont utilisés sans garantie de linéarité asymptotique, le sous-échantillonnage assure une inférence valide.

3. Contributions Clés

1. Cadre de Triangulation Quantitatif : Première méthode principielle pour combiner des estimations causales en utilisant des poids dérivés des données, sans sélection de modèle explicite.
2. Robustesse à la Mauvaise Spécification : Le cadre garantit que le biais de l'estimateur combiné reste borné et faible tant qu'au moins un modèle correct est présent et testable, même si la majorité des modèles sont incorrects.
3. Inférence Valide Post-Triangulation : Développement de procédures d'inférence (intervalles de confiance) qui tiennent compte de l'incertitude liée à la pondération des modèles, évitant les pièges classiques de l'inférence post-sélection.
4. Généralité : Le cadre s'applique à divers scénarios (ajustement de covariables, modèles à médiation, variables instrumentales) et n'exige pas que les modèles soient graphiquement identiques, seulement qu'ils partagent un paramètre cible.

4. Résultats Expérimentaux

Les auteurs valident leur méthode via des simulations et une application empirique :

• Simulation 1 (Biais M - M-bias) : Dans un scénario où l'ajustement pour certaines covariables crée un biais (M-bias) tandis que d'autres l'évitent, la méthode de triangulation pondérée réussit à rejeter les modèles incorrects (ceux avec des $\beta_k$ non nuls) et converge vers l'effet vrai, même lorsque la plupart des modèles candidats sont erronés.
• Simulation 2 (Backdoor, Frontdoor, IV) : Comparaison de modèles d'ajustement par le dos (Backdoor), par le devant (Frontdoor) et par variable instrumentale (IV). La méthode combine efficacement les estimations, montrant une variance réduite par rapport à l'utilisation d'un seul modèle (comme l'IV) et une robustesse lorsque les hypothèses d'un modèle spécifique sont violées.
• Application Empirique (Framingham Heart Study) : Estimation de l'effet du glucose sanguin sur les maladies coronariennes.
  • Trois modèles sont testés (Backdoor, Frontdoor, IV).
  • Le modèle Frontdoor reçoit le poids le plus élevé, tandis que le modèle IV (très instable) est fortement pénalisé par les diagnostics.
  • L'estimation triangulée (4,7% d'augmentation du risque) se situe entre les estimations Backdoor et Frontdoor, offrant un résultat plus stable et interprétable que n'importe quelle approche isolée.

5. Signification et Conclusion

Cet article représente une avancée significative pour l'inférence causale dans des contextes réels où l'incertitude de modèle est la norme.

• Changement de paradigme : Au lieu de chercher le "vrai" modèle unique (souvent impossible), l'approche propose de formaliser le pluralisme causal. Elle permet d'exploiter la diversité des hypothèses pour obtenir une estimation robuste.
• Équilibre Biais-Variance : La méthode accepte un léger biais théorique (contrôlé par le paramètre $a$) en échange d'une robustesse accrue face à la mauvaise spécification des hypothèses clés.
• Praticabilité : En fournissant des procédures d'inférence valides et des outils de diagnostic (via les $\beta_k$), la méthode rend la triangulation accessible aux praticiens, leur permettant de quantifier la fiabilité de leurs conclusions face à l'incertitude structurelle.

En résumé, ce travail offre une boîte à outils mathématique rigoureuse pour "trianguler" la vérité causale en pondérant intelligemment les preuves provenant de modèles concurrents, sans avoir à choisir arbitrairement l'un d'eux.