Efficient Transported Distributional and Quantile Treatment Effects with Surrogate-Assisted Missing Primary Outcomes

Résumé technique : Effets de traitement distributionnels et quantiles transportés efficaces avec des résultats principaux manquants assistés par des substituts

Cadre du problème
L'article aborde l'estimation des effets de traitement distributionnels et quantiles (QTE) pour une population cible dans un contexte où les résultats principaux à long terme sont coûteux, retardés ou manquants, tandis que des résultats substituts à court terme sont largement disponibles. La structure des données comprend deux échantillons indépendants :

1. Étude source : Contient l'attribution du traitement ($A$), les covariables de base ($X$), les substituts post-traitement ($S$) pour toutes les unités, et un résultat principal ($Y$) observé uniquement pour un sous-ensemble de validation ($M=1$).
2. Population cible : Contient uniquement les covariables de base ($X$).

L'objectif est d'estimer la fonction de distribution contrefactuelle transportée $\psi_a(y) = P(Y^a \le y \mid R=0)$, ses quantiles $q_a(\tau)$, et l'effet de traitement quantile $\Delta(\tau) = q_1(\tau) - q_0(\tau)$. Crucialement, le substitut $S$ n'est pas traité comme un point de remplacement, ni des conditions de substitution strictes de type Prentice ne sont imposées. Au lieu de cela, $S$ sert d'information auxiliaire pour améliorer l'efficacité sous un échantillonnage aléatoire (MAR) du résultat principal.

Méthodologie
Les auteurs développent un cadre semiparamétrique basé sur la stratégie d'identification suivante :

1. Identification : Sous les hypothèses de consistance, d'échangeabilité de la source, de transportabilité conditionnelle du processus substitut-résultat principal spécifique au traitement, et d'échantillonnage de validation MAR, la fonction de répartition (CDF) cible est identifiée comme $\psi_a(y) = E_0[g_a(y, X)]$, où $g_a(y, x) = E[m_a(y, X, S) \mid R=1, A=a, X=x]$ et $m_a$ est la CDF conditionnelle de $Y$ étant donné $(X, S)$ dans le sous-ensemble de validation.
2. Fonction d'influence efficace (EIF) : L'article dérive le gradient canonique pour le fonctionnel des données observées. L'EIF, $\phi^y_a(O)$, se décompose en trois composantes orthogonales :
   • Un terme d'échantillonnage des covariables cibles.
   • Un terme résiduel du processus substitut source ($m_a - g_a$).
   • Un terme résiduel de validation du résultat principal ($Z_y - m_a$).
     Cette décomposition reflète les trois sources d'information utilisées pour l'identification.
3. Estimation : Un estimateur en une étape, à forme fermée et avec pliage croisé (cross-fitted), est proposé. Il combine l'estimation par substitution de l'espérance cible avec les moyennes empiriques des composantes de l'EIF. Les fonctions de nuisance ($m_a, g_a, e_a, \rho_a, \omega$) sont estimées à l'aide de méthodes basées sur des équations convexes ou normales (par exemple, régression logistique ridge, régression ridge à noyau, équilibrage par entropie).
4. Inférence : L'article établit la linéarité asymptotique ponctuelle et uniforme pour l'estimateur de la CDF. En utilisant la méthode delta et la transformation par CDF inverse, il dérive des représentations de Bahadur pour les quantiles et les QTE. Des bandes de confiance simultanées sont construites via un bootstrap multiplicateur, reposant sur des conditions explicites pour l'entropie des classes de processus estimées.

Contributions clés

1. Identification et efficacité : L'article étend la lignée de travaux sur les effets de traitement moyens assistés par substituts (par exemple, Kallus et Mao, 2025) à la distribution contrefactuelle complète et aux quantiles. Il dérive la fonction d'influence efficace exacte pour ce cadre transporté, montrant que le gradient possède trois composantes résiduelles orthogonales correspondant aux covariables cibles, au processus substitut source et aux résultats principaux manquants.
2. Identité de dérive exacte et robustesse : Les auteurs établissent une identité de dérive exacte pour l'estimateur. Cette identité démontre une « robustesse de niveau ratio », montrant que le biais du premier ordre s'annule si soit les régressions de résultat ($m_a, g_a$) sont correctes, soit les poids de niveau ratio (ratio de densité $\omega$ et ratio de propension de validation $\rho$) sont corrects. Cela produit des conditions de taux de produit pour l'estimation de nuisance, permettant des taux de convergence plus lents que $n^{-1/4}$ à condition que le produit des erreurs soit $o(n^{-1/2})$.
3. Gains d'efficacité spécifiques aux quantiles : L'article quantifie le gain d'efficacité résultant de l'observation de substituts. Il dérive une formule montrant que la réduction de variance dépend de la variance conditionnelle du résultat prédit par le substitut étant donné les covariables et de la rareté des données de validation. Crucialement, le gain est spécifique au quantile ; un substitut peut considérablement améliorer l'inférence à un quantile tout en offrant peu de gain à un autre, selon la densité locale de la distribution cible et le pouvoir prédictif du substitut à ce seuil.
4. Vérification de bas niveau : Les auteurs fournissent un chemin d'implémentation « délibérément analysable ». Ils vérifient les conditions de haut niveau sur les taux de nuisance et l'entropie pour une classe spécifique d'apprenants bornés de dimension finie ou de rang fini, incluant la régression logistique ridge, la régression ridge à noyau de rang fini et l'équilibrage par entropie sous des modèles de décalage exponentiel. Cela comble le fossé entre la théorie semiparamétrique abstraite et une implémentation pratique basée sur l'optimisation convexe.

Résultats

• Théorie asymptotique : Il est démontré que l'estimateur proposé est semiparamétriquement efficace à $y$ fixe. Sous des conditions de régularité uniformes (incluant les propriétés de Donsker et les bornes d'entropie), l'estimateur atteint une linéarité asymptotique uniforme sur le support du résultat, permettant une inférence simultanée valide pour l'ensemble des courbes de CDF et de QTE.
• Preuves par simulation : Les études de simulation confirment les résultats théoriques. L'estimateur en une étape assisté par substitut (SA) réduit considérablement l'erreur quadratique moyenne (MSE) par rapport aux estimateurs par pondération par l'inverse de la probabilité (IPW) et aux estimateurs par substitution transportés, en particulier dans les queues de la distribution. L'estimateur SA maintient un faible biais et atteint des taux de couverture proches des niveaux nominaux, tandis que l'IPW souffre d'une variance élevée et les estimateurs par substitution d'un biais d'approximation.
• Validation de l'efficacité : Les simulations vérifient la formule théorique de gain d'efficacité, démontrant que la réduction de variance est corrélée au pouvoir prédictif du substitut et à la rareté des données de validation.

Signification et affirmations
L'article revendique fournir une fondation théorique rigoureuse pour l'estimation des effets de traitement distributionnels et quantiles en présence de résultats principaux manquants et de substituts disponibles, spécifiquement lors du transport des résultats d'une étude source vers une population cible.

• Nouveauté méthodologique : Il va au-delà des effets basés sur la moyenne pour atteindre la distribution complète, gérant les complexités de la transformation par CDF inverse et le couplage des poids de transport avec les résidus de substitut.
• Utilité pratique : En proposant un estimateur en une étape, à forme fermée et avec pliage croisé, qui repose sur des sous-problèmes convexes, l'article offre une solution computationnellement réalisable qui ne nécessite pas d'optimisation non convexe.
• Précision théorique : La dérivation de l'identité de dérive exacte et de la formule de gain d'efficacité spécifique aux quantiles fournit une caractérisation précise de quand et comment les substituts améliorent l'inférence, évitant le besoin d'hypothèses de substitution fortes.

Les auteurs soulignent que leur contribution réside dans la théorie du gradient canonique pour un modèle assisté par substitut à deux populations et la vérification de ces conditions pour des apprenants de nuisance spécifiques et analysables, plutôt que dans la proposition d'algorithmes d'apprentissage automatique flexibles arbitraires. Le travail est présenté comme un manuscrit de travail, invitant aux commentaires sur les dérivation théoriques et les détails d'implémentation.