Résumé Technique : Médiation Causale Distributionnelle via Modélisation Générative Conditionnelle

1. Énoncé du Problème

L'analyse de médiation causale traditionnelle se concentre principalement sur des contrastes de niveau de résultat, tels que les effets moyens. Les auteurs soutiennent que cette approche masque des changements distributionnels substantiels induits par des mécanismes causaux complexes et non linéaires. Des interventions ayant des effets moyens similaires peuvent produire des distributions de résultats radicalement différentes (par exemple, élargir les écarts entre sous-groupes tout en laissant la moyenne inchangée). De plus, les méthodes existantes reposent souvent sur des modèles paramétriques et peinent à capturer les effets distributionnels spécifiques aux chemins lorsque plusieurs médiateurs sont impliqués.

L'article répond au besoin de dépasser l'analyse de médiation basée sur des résumés pour tendre vers une caractérisation distributionnelle complète des effets d'intervention. L'objectif est d'identifier et d'estimer comment les traitements remodelent l'ensemble de la distribution des résultats, à la fois directement et par l'intermédiaire de multiples médiateurs, sans recourir à des hypothèses paramétriques restrictives.

2. Méthodologie : Le Cadre DCMA

Les auteurs proposent l'Analyse de Médiation Causale Distributionnelle (DCMA), un cadre d'apprentissage génératif qui intègre la théorie de la médiation par intervention avec la modélisation générative conditionnelle.

2.1. Estimands Cibles

Le cadre étend les effets de médiation par intervention à un niveau distributionnel. Au lieu de contrastes scalaires, les objets principaux d'intérêt sont les distributions de résultats d'intervention elles-mêmes. Les auteurs définissent des estimands basés sur la distribution en utilisant un fonctionnel bivarié général $\Psi$ :

• Effet Total d'Intervention (ITE) : Contraste la distribution des résultats sous traitement $A=1$ par rapport à $A=0$, les médiateurs suivant leurs distributions naturelles sous les traitements respectifs.
• Effet Direct d'Intervention (IDE) : Contraste les résultats lorsque le traitement change ($A=1$ vs $A=0$) tandis que les médiateurs sont fixés à la distribution induite par $A=0$.
• Effets Spécifiques aux Chemins d'Intervention (IPSE) : Pour un médiateur spécifique $M_s$, contraste les résultats où $M_s$ est fixé à la distribution induite par $A=1$ (ou $A=0$) tandis que les autres médiateurs suivent la distribution induite par $A=0$ (ou $A=1$).

Ces estimands peuvent être instanciés en utilisant divers fonctionnels $\Psi$, notamment :

• Type contraste : Différences de moyennes, de quantiles ou de probabilités (par exemple, probabilités de dépassement).
• Différence distributionnelle : Métriques comme la Distance Énergétique (ED) ou la distance de Wasserstein pour quantifier les écarts globaux entre distributions.

2.2. Identification

Sous des hypothèses standard (Cohérence, Positivité et Ignorabilité Séquentielle), l'article établit que les distributions de résultats d'intervention sont identifiables à partir de données observationnelles. La formule d'identification exprime la distribution d'intervention comme une intégrale sur des distributions conditionnelles observables :
$$P_{Y_a \tilde{M}_{a'}} | Z=z = \int P_{Y|A=a, M=m, Z=z} P_{M|A=a', Z=z} (dm)$$
Cela réduit le problème d'estimation à l'apprentissage des lois conditionnelles des médiateurs et des résultats.

2.3. Pipeline de Modélisation Générative

DCMA emploie un pipeline en quatre étapes :

1. Prétraitement des données : Standardisation des covariables, des médiateurs et des résultats.
2. Modélisation générative conditionnelle : Le cœur de DCMA implique l'entraînement de deux générateurs pilotés par du bruit :
   • Un générateur de médiateurs $f_M(A, Z, \epsilon_M)$ pour approximer $P_{M|A,Z}$.
   • Un générateur de résultats $f_Y(A, Z, M, \epsilon_Y)$ pour approximer $P_{Y|A,M,Z}$.
     Ces générateurs mappent un bruit exogène $\epsilon$ vers des échantillons suivant les distributions conditionnelles désirées.
3. Génération de distributions d'intervention : En utilisant les générateurs entraînés, le cadre effectue une simulation Monte Carlo vers l'avant. En rééchantillonnant les variables de bruit et en les injectant dans les générateurs sous des affectations spécifiques de traitement et de médiateur (telles que dictées par les formules d'identification), la méthode reconstruit les distributions de résultats d'intervention sans spécification explicite de vraisemblance.
4. Estimation des effets causaux : Les estimands distributionnels sont calculés en appliquant des fonctionnels (par exemple, moyenne, quantiles, ED) aux tirages Monte Carlo simulés.

2.4. Objectif d'Entraînement

Les générateurs sont entraînés en minimisant un écart distributionnel conditionnel. Les auteurs utilisent le Score Énergétique (ES) comme mesure d'écart $D(P, Q)$ car il est strictement propre et admet une implémentation Monte Carlo stable sans nécessiter d'évaluation explicite de la densité. L'objectif populationnel est de minimiser l'ES attendu entre la distribution générée et la vraie distribution conditionnelle.

3. Contributions Théoriques

• Résultats d'Identification : L'article dérive des formules d'identification pour les effets distributionnels d'intervention, les exprimant en termes de distributions conditionnelles observables.
• Analyse des Erreurs : Les auteurs fournissent des bornes d'erreur analytiques pour décomposer comment les erreurs d'estimation dans les modèles conditionnels appris se propagent vers les distributions d'intervention reconstruites.
  • En utilisant la Distance Énergétique et les représentations de l'Espace de Hilbert à Noyau Reproductible (RKHS), ils montrent que l'erreur totale est bornée par la somme de l'erreur d'estimation du médiateur (mise à l'échelle par une constante de Lipschitz de l'embedding des résultats) et de l'erreur d'approximation du modèle de résultats.
  • Une analyse complémentaire utilisant la distance de Wasserstein est fournie dans l'annexe, établissant des taux de convergence non asymptotiques déterminés par le plus lent des taux d'estimation du générateur de médiateurs ou du générateur de résultats.

4. Résultats Empiriques

L'efficacité de DCMA est démontrée par des expériences numériques et une application réelle.

4.1. Études de Simulation

• Scénario 1 (Résultat Bimodal) : Dans un cadre avec un seul médiateur et une distribution de résultats bimodale, DCMA a reconstruit avec précision les distributions d'intervention. Crucialement, alors que l'Effet Direct d'Intention (IDE) basé sur la moyenne était proche de zéro, la Distance Énergétique a révélé des différences distributionnelles significatives (structures unimodales vs bimodales) que les contrastes basés sur la moyenne avaient manquées.
• Scénario 2 (Multiples Médiateurs) : Le cadre a géré avec succès cinq médiateurs dépendants avec des interactions non linéaires. Il a correctement identifié quels médiateurs contribuaient à l'hétérogénéité distributionnelle (effets dépendants des quantiles) et lesquels non.
• Performance : Les implémentations basées sur le Score Énergétique (DCMA-ES) et la Régression Générative de Wasserstein (DCMA-WGR) ont toutes deux atteint une haute précision dans la récupération des structures distributionnelles. DCMA-ES a montré une performance supérieure dans l'estimation des effets basés sur la moyenne par rapport à DCMA-WGR.

4.2. Application Réelle (UK Biobank)

Le cadre a été appliqué pour analyser l'effet du statut tabagique ($A$) sur la pression artérielle systolique ($Y$) médié par l'Indice de Masse Corporelle ($M_1$) et le cholestérol total ($M_2$).

• Résultats : L'analyse a révélé que l'effet spécifique au chemin via l'IMC était statistiquement distinguable de zéro, augmentant la probabilité d'hypertension (PAS $\ge$ 140 mmHg) de 0,2 %.
• Insight Distributionnel : Malgré un effet moyen faible, l'analyse de la Distance Énergétique a indiqué que le tabagisme est associé à des changements limités dans la distribution globale de la PAS, une nuance capturée par le cadre distributionnel mais potentiellement masquée dans les analyses basées uniquement sur des résumés.

5. Signification et Revendications

L'article revendique que DCMA offre un cadre génératif principé pour l'analyse de médiation causale distributionnelle. Sa signification réside dans :

• Au-delà des Moyennes : Il permet l'estimation des effets de médiation au niveau des distributions complètes de résultats, révélant des mécanismes complexes et hétérogènes que les analyses basées sur la moyenne échouent à dévoiler.
• Flexibilité : En utilisant des générateurs conditionnels basés sur le bruit, il évite la spécification explicite de vraisemblance et les hypothèses paramétriques, permettant la modélisation de relations complexes, multimodales et non linéaires.
• Fondement Théorique : Il fournit des résultats d'identification et des bornes d'erreur analytiques qui quantifient la propagation des erreurs d'estimation, offrant une garantie théorique pour les distributions d'intervention reconstruites.
• Pertinence Politiques : Le cadre s'aligne avec les modèles causaux structurels et les interventions do, le rendant adapté pour répondre à des questions de politique "et si" concernant comment le déplacement des distributions de médiateurs affecte les distributions de résultats.

Les auteurs notent que bien que des modèles génératifs alternatifs (par exemple, les flux de normalisation, les modèles de diffusion) puissent être incorporés, leur contribution principale est l'établissement d'un cadre aligné causalement, théoriquement fondé et computationnellement stable spécifiquement pour la médiation causale distributionnelle.