Causal Identification under Interference: The Role of Treatment Assignment Independence

Cette étude démontre que les méthodes classiques d'identification causale (comme les variables instrumentales ou les doubles différences) permettent d'identifier des effets directs moyens même en présence d'interférences, à condition que l'assignation des traitements soit indépendante entre les unités.

L'essentiel

Le Problème : L'Effet Domino (L'Interférence)

Imaginez que vous testez un nouveau médicament pour aider les gens à mieux dormir. Dans le monde de la science classique (ce qu'on appelle l'hypothèse "ITR"), on part du principe que si vous prenez la pilule, cela n'affecte que vous. Votre sommeil dépend de votre pilule, et rien d'autre.

Mais dans la vraie vie, c'est souvent plus compliqué. C'est ce que les chercheurs appellent l'interférence.

Prenons une autre analogie : imaginez que vous testez un nouveau régime pour perdre du poids dans un groupe d'amis. Si votre meilleur ami commence le régime et devient super énergique, cela peut vous motiver (effet positif). Mais si tout le monde commence le régime en même temps, il n'y a plus de gâteaux dans le placard, et vous finissez par avoir faim et être de mauvaise humeur (effet négatif).

Le problème des chercheurs : La plupart des formules mathématiques utilisées par les économistes ignorent cet "effet domino". Elles font comme si chaque personne était une île isolée, alors qu'en réalité, nous sommes tous connectés. Si on ignore ces connexions, nos conclusions sur l'efficacité d'une politique (comme une aide au chômage ou une formation) peuvent être totalement fausses.

La Découverte : Le "Coup de la Radio" (L'Indépendance de l'Assignation)

Les auteurs de ce papier ont cherché à comprendre : "Que se passe-t-il si on utilise nos vieilles formules mathématiques alors que les gens s'influencent les uns les autres ?"

Ils ont découvert que nos formules ne deviennent pas forcément "inutiles", mais qu'elles changent de cible. Au lieu de mesurer l'effet total, elles mesurent un "Effet Direct Moyen".

Mais attention ! Pour que ce calcul reste correct, il y a une condition cruciale qu'ils appellent l'Indépendance de l'Assignation.

L'analogie de la Radio :
Imaginez que vous voulez savoir si écouter une certaine station de radio améliore la concentration.

• Le scénario idéal (Indépendance) : On distribue des radios à des gens de manière aléatoire. Le fait que votre voisin écoute la radio n'influence pas le fait que vous receviez une radio. Dans ce cas, même si le voisin influence votre concentration, la formule mathématique reste "propre" et vous donne le vrai effet direct de la radio sur vous.
• Le scénario problématique (Dépendance) : Imaginez maintenant que les radios soient distribuées par un groupe de voisins qui décident ensemble : "Si Jean a une radio, alors tout le quartier en veut une !". Ici, le fait que vous ayez une radio est lié au fait que les autres en ont une. La formule mathématique devient alors "brouillée" : elle mélange l'effet de la radio sur vous et l'effet du comportement de vos voisins. On ne sait plus qui fait quoi.

La Solution : Le "Thermomètre de la Robustesse" (La Sensibilité)

Le problème, c'est que dans la vraie vie, on ne peut pas savoir si les gens ont reçu leur "traitement" (une aide, une formation, un médicament) de manière indépendante ou s'ils se sont influencés.

Pour résoudre cela, les auteurs ont inventé un nouvel outil : une analyse de sensibilité.

C'est comme un test de résistance pour un pont. Au lieu de dire "Le pont est solide", ils disent : "Le pont est solide, SAUF si le vent souffle à plus de 150 km/h et que les voitures sont toutes de la même couleur".

Ils permettent aux chercheurs de dire : "Notre conclusion est vraie, à moins que le lien entre les gens ne soit extrêmement fort (par exemple, si les gens s'influencent de façon massive). Si le lien est modéré, notre résultat reste fiable."

En résumé (Ce qu'il faut retenir) :

1. On ne vit pas en vase clos : Les actions des uns influencent les autres (interférence).
2. Le risque : Si on ignore cela, nos calculs économiques peuvent être biaisés.
3. La règle d'or : Nos calculs fonctionnent encore si le fait de recevoir une aide ne dépend pas du fait que les autres l'ont reçue.
4. L'outil magique : Les auteurs proposent une méthode pour mesurer à quel point nos conclusions sont fragiles face à ces influences invisibles.

Résumé technique

Résumé Technique : Identification Causale sous Interférence

1. Problématique (Le Problème)

Dans la recherche empirique en économie, l'identification des effets causaux repose traditionnellement sur l'hypothèse de réponse individuelle au traitement (ITR), ou absence d'interférence. Cette hypothèse suppose que le résultat potentiel d'une unité ne dépend que de son propre statut de traitement.

Cependant, dans de nombreux contextes (marchés du travail, réseaux sociaux, politiques publiques), les unités interagissent : le traitement d'un individu peut affecter les résultats des autres (effets de débordement ou spillovers). Lorsque l'ITR est violée, les formules d'identification standard (sélection sur observables, variables instrumentales, différence-en-différences, régression discontinue) perdent leur interprétation causale classique (ATE ou ATT). Le problème central est de savoir : que mesurent réellement ces formules lorsque l'interférence est présente mais non modélisée ?

2. Méthodologie

Les auteurs adoptent un cadre de résultats potentiels en population finie permettant une interférence arbitraire. Contrairement à la littérature existante qui tente de modéliser la structure de l'interférence (via des cartes d'exposition ou des réseaux), cette étude reste agnostique quant à la forme de l'interférence.

L'approche repose sur trois piliers :

• Analyse théorique des fonctionnelles d'identification : Ils décomposent les estimateurs standards pour identifier la part de l'effet direct et la part du biais induit par l'interférence.
• Introduction de la condition CAI (Conditional Assignment Independence) : Ils proposent une restriction sur le mécanisme d'assignation du traitement plutôt que sur la structure de l'interférence.
• Cadre d'analyse de sensibilité : Ils développent une procédure pour quantifier la robustesse des conclusions statistiques face aux violations de l'indépendance de l'assignation.

3. Contributions Clés

La contribution majeure est l'identification de la Condition d'Indépendance de l'Assignation Conditionnelle (CAI).

• Définition de la CAI : $D_{-i} \perp \perp D_i \mid W_i$. Cela signifie que, conditionnellement aux covariables observées, l'assignation du traitement d'une unité est indépendante de l'assignation des autres unités.
• Découplage de l'interférence et de l'assignation : L'article démontre que l'on peut identifier des objets causaux bien définis (les Effets Directs Moyens - ADE) sans connaître la structure de l'interférence, à condition que l'assignation soit "indépendante" (CAI).
• Outil pratique : La création du package R caisensitivity pour tester la robustesse des études observationnelles.

4. Résultats Principaux

A. Interprétabilité des designs classiques

L'étude examine quatre méthodes d'identification et montre que :

1. Sélection sur observables : Si la CAI échoue, l'estimateur combine l'effet direct avec un biais lié à la différence de distribution des traitements des autres unités. Si la CAI tient, l'estimateur identifie l'ADE.
2. Variables Instrumentales (IV) : Le ratio de Wald identifie l'Effet Direct Moyen Local (LADE) si et seulement si l'instrument est assigné de manière indépendante entre les unités (Assumption 6). Sinon, un biais apparaît.
3. Régression Discontinue (RDD) : La formule de RDD identifie l'ADE si la variable de forçage (running variable) est indépendante entre les unités (Assumption 8).
4. Différence-en-Différences (DiD) : Le design DiD identifie l'Effet Direct Moyen sur les Traités (ADTT) si la CAI est respectée. En cas de violation, le biais provient de la différence de tendances des résultats non traités entre les groupes.

B. Analyse de sensibilité et Simulation

• Simulation Monte Carlo : Les résultats confirment que lorsque la dépendance de l'assignation augmente (via un choc commun $\rho$), le biais de l'estimateur IPW (Inverse Probability Weighting) augmente de manière significative, même si l'effet direct reste constant.
• Robustesse : L'analyse de sensibilité montre que la robustesse d'une conclusion dépend de la distribution des résultats. Les distributions à "queues lourdes" (valeurs extrêmes) rendent les tests statistiques beaucoup plus sensibles aux violations de la CAI.

5. Signification (Implications)

Ce travail change la manière dont les chercheurs doivent interpréter leurs résultats en présence d'interactions :

• Réinterprétation des objets causaux : Les chercheurs ne perdent pas la capacité d'identifier des effets causaux ; ils doivent simplement cesser de parler d'ATE/ATT et commencer à parler d'Effets Directs Moyens (ADE).
• Avertissement sur l'inférence : L'article souligne que l'interférence invalide les formules de variance standard. L'inférence (p-values, intervalles de confiance) doit être traitée avec prudence ou via des méthodes de permutation.
• Nouvel standard de rapportage : Pour les études où l'interférence est plausible (ex: programmes de formation professionnelle), il devient crucial de tester la sensibilité de l'étude à la dépendance de l'assignation entre les individus.