📈 economics

Quantifying Omitted Variable Bias in Nonlinear Instrumental Variable Estimators

Cet article propose un cadre méthodologique utilisant l'apprentissage automatique pour quantifier et ajuster les biais de variables omises dans les estimateurs à variables instrumentales non linéaires, révélant par une application à l'expérience JTPA que les impacts du programme sont robustes pour les femmes mais fragiles pour les hommes.

Auteurs originaux : Yu-Min Yen

Publié 2026-04-07

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Yu-Min Yen

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 comprendre pourquoi certaines personnes gagnent plus d'argent après avoir suivi une formation professionnelle, tandis que d'autres non. Pour faire cela correctement, vous avez besoin d'un outil spécial appelé variable instrumentale. C'est un peu comme un arbitre impartial qui vous aide à séparer la cause réelle (la formation) des autres facteurs cachés (comme la motivation personnelle ou le réseau de famille).

Cependant, il y a un problème : et si l'arbitre oublie de regarder un détail important ? C'est ce qu'on appelle le biais de variable omise. Si vous ne voyez pas tout, votre conclusion sur l'efficacité de la formation pourrait être fausse.

Voici ce que le papier de Yu-Min Yen propose, expliqué simplement :

1. Le Problème : L'Arbitre qui a les yeux bandés

Dans la vie réelle, nous ne connaissons jamais toutes les variables. Nous avons des données visibles (l'âge, le diplôme, le sexe), mais il y a toujours des choses invisibles (la motivation, le stress à la maison).

L'ancienne méthode : Disait souvent : "Si vous ne voyez pas la variable cachée, vous ne pouvez pas faire confiance à votre résultat." C'était comme arrêter de jouer au jeu parce qu'il y a un peu de brouillard.
La nouvelle méthode de ce papier : Elle dit : "Même avec le brouillard, nous pouvons mesurer combien notre vision est floue et calculer une zone de sécurité."

2. La Solution : La "Lunette de Sécurité" (Bornes de Biais)

L'auteur a créé une nouvelle paire de lunettes mathématiques. Au lieu de donner un seul chiffre précis (par exemple : "La formation rapporte 2 000 $"), cette méthode donne une fourchette (par exemple : "La formation rapporte entre 300 $ et 3 000 $").

Comment ça marche ?

Imaginez que vous essayez de deviner la taille d'un arbre dans le brouillard.
Au lieu de dire "Il fait exactement 10 mètres", vous dites : "Même si je ne vois pas bien, je suis sûr à 95 % qu'il fait entre 8 et 12 mètres, à condition que le brouillard ne soit pas plus épais que X."
Le papier fournit les outils pour calculer ces limites (les bornes) même quand les calculs sont très compliqués (non linéaires), ce que les anciennes méthodes ne faisaient pas bien.

3. L'Outil Magique : L'Apprentissage Automatique (Machine Learning)

Pour faire ces calculs complexes avec des milliers de données, l'auteur utilise une technique appelée Double Machine Learning.

L'analogie : Imaginez que vous avez deux équipes de détectives.
- L'équipe A essaie de prédire qui va suivre la formation.
- L'équipe B essaie de prédire qui va gagner de l'argent.
- Elles utilisent des robots très intelligents (Machine Learning) pour analyser des montagnes de données.
- Ensuite, elles se croisent pour s'assurer que leurs erreurs ne faussent pas le résultat final. C'est une façon très robuste de nettoyer les données.

4. L'Expérience Réelle : Le Programme JTPA aux États-Unis

Pour tester leur méthode, les chercheurs ont regardé un vrai programme de formation aux États-Unis (le JTPA) avec des milliers d'hommes et de femmes.

Ce qu'ils ont découvert :

Pour les hommes : C'était un peu comme un château de cartes. Quand ils ont ajouté la "lunette de sécurité" pour voir si des variables cachées pouvaient tout changer, les résultats sont devenus fragiles. On ne pouvait plus être sûr à 100 % que la formation aidait vraiment les hommes à gagner plus d'argent. Le résultat était "fragile".
Pour les femmes : C'était comme un rocher solide. Même avec le brouillard des variables cachées, la conclusion restait claire : la formation aidait vraiment les femmes à gagner plus d'argent. Le résultat était "robuste".

En Résumé

Ce papier est comme un manuel de survie pour les chercheurs qui veulent être honnêtes face à l'incertitude.

Il ne dit pas : "Je ne sais pas, donc je ne peux rien dire."
Il dit : "Je ne sais pas tout, mais voici combien je ne sais pas, et voici la zone où la vérité se cache probablement."

C'est une façon de transformer l'aveu d'ignorance ("il y a des variables manquantes") en une information utile et précise, permettant de prendre de meilleures décisions même dans le brouillard.

1. Problématique et Contexte

Les estimateurs à variables instrumentales (VI) sont largement utilisés en économétrie pour corriger l'endogénéité des variables explicatives. Cependant, leur validité repose sur l'hypothèse que toutes les variables pertinentes sont contrôlées. L'omission de variables confondantes (variables non observées, notées $A$ ) peut biaiser les estimations causales.

Bien que des analyses de sensibilité existent pour les modèles linéaires, il existe un manque de cadres méthodologiques rigoureux pour quantifier le biais de variables omises (OVB - Omitted Variable Bias) dans les estimateurs VI non linéaires. Cet article vise à combler cette lacune en développant un cadre général pour :

Les effets moyens locaux (LATE - Local Average Treatment Effect).
L'effet moyen local sur les traités (LATT - Local Average Treatment Effect on the Treated).
Le modèle VI partiellement linéaire (PLIVM - Partially Linear IV Model).

L'objectif est de décomposer le biais, d'établir des bornes d'identification partielle et de construire des intervalles de confiance ajustés pour l'OVB, même en présence de covariables de haute dimension.

2. Méthodologie

L'auteur propose une approche structurée en plusieurs étapes, s'appuyant sur la théorie des représentants de Riesz et l'apprentissage automatique double (Double Machine Learning - DML).

A. Décomposition du Biais et Bornes d'Identification

Le paramètre d'intérêt $\theta$ est exprimé comme un rapport de deux espérances : $\theta = \lambda / \gamma$ .

Version longue (avec variables complètes $W = (Z, X, A)$ ) : $\theta = \lambda / \gamma$ .
Version courte (avec variables observables $W_s = (Z, X)$ ) : $\theta_s = \lambda_s / \gamma_s$ .

Le biais est défini par $|\theta - \theta_s|$ . L'article dérive des bornes pour $\lambda$ et $\gamma$ en fonction de paramètres de sensibilité :

Décomposition du biais : Le biais de $\lambda_s$ est lié à la corrélation entre la différence des poids ( $\alpha - \alpha_s$ ) et la différence des prédictions ( $g_Y - g_{Ys}$ ).
Paramètres de sensibilité :
- $C_\alpha, C_Y, C_D$ : Mesurent la force de la variable omise $A$ en termes de gain de précision prédictive (analogues aux $R^2$ partiels non paramétriques) pour l'instrument $Z$ , le résultat $Y$ et le traitement $D$ .
- $\rho_Y, \rho_D$ : Coefficients de corrélation entre les erreurs de prédiction et les poids.
Bornes partielles : En utilisant ces paramètres, l'auteur établit des intervalles $[\lambda^-, \lambda^+]$ et $[\gamma^-, \gamma^+]$ . Le théorème 1 déduit ensuite les bornes pour $\theta$ en fonction des signes de ces intervalles.

B. Estimation par Double Machine Learning (DML)

Pour estimer ces bornes dans des contextes à haute dimension où les formes fonctionnelles sont complexes :

L'auteur utilise des fonctions d'influence (IF) qui satisfont l'orthogonalité de Neyman.
La méthode DML (avec K-fold cross-fitting) est employée pour estimer les paramètres de nuisance (comme les scores de propension ou les espérances conditionnelles) sans surajustement (overfitting).
Une méthode de médiane est appliquée sur plusieurs itérations de cross-fitting pour améliorer la stabilité des estimateurs finaux.

C. Inférence Statistique et Intervalles de Confiance Ajustés

L'article propose des procédures d'inférence pour construire des intervalles de confiance (IC) ajustés à l'OVB :

Théorème 2 & 3 : Dérivation de la normalité asymptotique des estimateurs des bornes $\hat{\lambda}^\pm$ et $\hat{\gamma}^\pm$ .
Méthode de rétrécissement (Shrinkage) de Stoye (2009) : Pour éviter que les intervalles ne deviennent trop étroits lorsque la région d'identification est proche d'un point unique (cas où le biais potentiel est nul), l'auteur adapte la méthode de Stoye. Cela permet de construire des IC uniformément valides au niveau $(1-\tau)$ , même en présence d'incertitude sur la taille de la région d'identification.

3. Résultats Principaux

L'application empirique utilise les données de l'expérience JTPA (Job Training Partnership Act) aux États-Unis, en distinguant les travailleurs masculins et féminins.

A. Analyse de Sensibilité

Robustesse de la première étape ( $\gamma$ ) : Les estimations de la probabilité de compliance (première étape) sont très robustes aux variables omises. Les seuils de sensibilité nécessaires pour rendre ces estimations non significatives sont très élevés (supérieurs à 0,65), indiquant que les variables omises auraient besoin d'un pouvoir explicatif énorme pour invalider les résultats.
Sensibilité de l'ITT et du LATE ( $\lambda$ et $\theta$ ) : Les estimations de l'effet intentionnel de traiter (ITT) et du LATE sont beaucoup plus sensibles. Pour les hommes, les bornes inférieures des intervalles de confiance peuvent tomber en dessous de zéro avec des paramètres de sensibilité réalistes, rendant les résultats fragiles.

B. Résultats par Genre

Femmes : Les impacts du programme sont robustes et statistiquement significatifs même après ajustement pour l'OVB et l'incertitude des bornes. Les intervalles de confiance ajustés restent strictement positifs.
Hommes : Les résultats sont fragiles. Bien que les estimations ponctuelles soient positives, les intervalles de confiance ajustés à l'OVB incluent zéro (ou des valeurs négatives) pour le LATE et l'ITT, suggérant que les conclusions causales pour les hommes ne sont pas robustes à l'omission de variables non observées.

4. Contributions Clés

Extension aux modèles non linéaires : C'est la première étude à fournir un cadre complet de sensibilité pour les estimateurs VI non linéaires (LATE, LATT) au-delà des modèles linéaires simples.
Décomposition du biais : L'article fournit une décomposition analytique du biais reliant directement l'omission de variables à la perte de précision prédictive des instruments et des résultats.
Intégration du Machine Learning : L'utilisation du DML permet de gérer des covariables de haute dimension sans imposer de restrictions paramétriques fortes, rendant l'analyse applicable à des jeux de données modernes complexes.
Outils d'inférence robustes : La construction d'intervalles de confiance ajustés utilisant la méthode de Stoye offre une solution pratique pour la prise de décision politique, en quantifiant explicitement l'incertitude liée aux variables omises.

5. Signification et Implications

Ce travail est crucial pour la recherche en causalité appliquée. Il démontre que la robustesse des conclusions dépend fortement du paramètre estimé (la première étape est souvent plus robuste que l'effet de traitement) et du sous-groupe analysé.

L'application au JTPA illustre que l'absence de variables omises peut inverser la conclusion statistique (significatif vs non significatif) selon le genre des participants. La méthodologie proposée offre aux chercheurs un outil standardisé pour :

Évaluer la crédibilité de leurs estimations causales face à l'omission de variables.
Communiquer l'incertitude de manière transparente via des intervalles de confiance ajustés.
Éviter de tirer des conclusions erronées basées sur des estimations ponctuelles qui ne tiennent pas compte de la sensibilité aux hypothèses d'exclusion.

En résumé, l'article fournit un cadre unifié et rigoureux pour la sensibilité analysis dans les modèles VI non linéaires, combinant théorie économique, statistiques asymptotiques et apprentissage automatique.