Causal Stability Selection

Résumé Technique : Sélection de Stabilité Causale

Formulation du Problème
Le problème central abordé est l'identification des modificateurs d'effet—des covariables qui expliquent l'hétérogénéité des effets du traitement. Bien que de nombreuses études rapportent des effets moyens de traitement (ATE) nuls, les réponses au traitement varient souvent systématiquement avec les covariables pré-traitement ($X$). Formellement, les modificateurs d'effet sont définis via l'Effet Moyen de Traitement Conditionnel (CATE), $\tau(x) = E[Y(1) - Y(0) | X=x]$. Une covariable $X_j$ est un modificateur d'effet si $\tau(X) \not\perp\!\!\perp X_j | X_{-j}$.

Les procédures existantes d'adaptation aux données pour la sélection de variables échouent souvent à fournir un contrôle en échantillon fini sur le nombre attendu de fausses découvertes. Comme illustré dans la simulation motivante de l'article, les approches standard telles que le partitionnement honnête ou l'ajustement croisé en K plis combinés au Lasso ou à la sélection de stabilité entraînent souvent des taux de fausses découvertes (FDR) fortement gonflés, compromettant la fiabilité des interventions ciblées en aval. Le défi consiste à découvrir un ensemble parcimonieux de véritables modificateurs d'effet tout en maintenant des garanties rigoureuses sur le taux d'erreur en échantillon fini, malgré le fait que le véritable CATE $\tau(X)$ soit non observé et doive être estimé.

Méthodologie : Sélection de Stabilité Causale (CausalStabSel)
Les auteurs proposent la Sélection de Stabilité Causale, un algorithme qui intègre l'estimation du CATE par ajustement croisé avec la Sélection de Stabilité de Parc Intégré (IPSS). La méthode opère en deux étapes principales :

1. Estimation par Ajustement Croisé des Probabilités de Sélection :
   Contrairement à la sélection de stabilité standard qui suppose que la réponse est directement observée, CausalStabSel reconnaît que la « réponse » pour la sélection de variables est le CATE non observé. L'algorithme procède via $B$ itérations :

   • À chaque itération, les données sont divisées en deux sous-ensembles disjoints, $A$ et $A^c$.
   • Un estimateur du CATE $\hat{\tau}$ est entraîné sur l'ensemble retenu $A^c$.
   • Le modèle entraîné prédit les valeurs du CATE pour les échantillons de $A$.
   • Un sélecteur de variables de base $\hat{S}_\lambda$ (par exemple, Lasso ou scores d'importance XGBoost) est appliqué aux paires $(x_i, \hat{\tau}(x_i))$ pour $i \in A$.
   • Ce processus est répété avec les rôles inversés ($A^c$ pour l'entraînement, $A$ pour la sélection) pour générer $2B$ sous-échantillons.
   • La probabilité de sélection $\hat{\pi}_{j,m}(\lambda)$ pour la covariable $j$ est calculée comme la proportion de fois où $j$ est sélectionné sur l'ensemble des $2B$ sous-échantillons.

2. Construction de l'Ensemble de Sélection :
   L'ensemble final des modificateurs d'effet est construit en utilisant le critère IPSS, qui intègre les probabilités de sélection sur une grille de paramètres $\Lambda$ plutôt que de simplement les maximiser. Une variable $j$ est sélectionnée si :
   $$\int_{\Lambda} f(\hat{\pi}_{j,m}(\lambda)) \mu(d\lambda) \geq \gamma$$
   où $f(x) = (2x-1)^3 \mathbb{1}(x \geq 1/2)$ et $\mu$ est une mesure de probabilité. Cette approche produit une borne supérieure plus stricte sur le nombre attendu de faux positifs (EFP) par rapport à la sélection de stabilité traditionnelle. Le seuil est déterminé par un niveau cible d'EFP $t$ ou un niveau nominal de FDR $\alpha$.

Contributions Clés
L'article apporte trois contributions principales :

1. Cadre Unifié avec Garanties en Échantillon Fini : Les auteurs fournissent le premier cadre pour la découverte de modificateurs d'effet offrant une borne supérieure non asymptotique, en échantillon fini, sur le nombre attendu de faux positifs. Cette garantie s'applique sans restreindre la forme du sélecteur de base ou de l'estimateur du CATE.
2. Lien Théorique entre Estimation et Découverte : L'article démontre que les probabilités de sélection estimées convergent vers leurs homologues « oracles » (où le vrai $\tau$ est connu) à un rythme gouverné directement par le taux de convergence de l'estimateur du CATE sous-jacent. Spécifiquement, si l'estimateur du CATE atteint un taux paramétrique ($n^{-1/2}$), les probabilités de sélection sont asymptotiquement sans biais.
3. Traitabilité Computationnelle et Stabilité : En agrégeant les résultats sur des sous-échantillons répétés, la méthode produit des découvertes stables même dans des contextes de haute dimension, restant computationnellement faisable tout en contrôlant les fausses découvertes.

Résultats
La méthode a été évaluée grâce à des études de simulation extensives et deux applications réelles :

• Simulations : À travers 34 expériences couvrant des contextes linéaires et non linéaires avec des tailles d'échantillon, des dimensions et des structures de confusion variables, CausalStabSel était la seule méthode à maintenir le FDR empirique à ou en dessous du niveau nominal de manière uniforme sur tous les régimes. Les méthodes concurrentes, y compris IPSS, Knockoffs et Benjamini-Hochberg, ont présenté un comportement anti-conservateur (FDR dépassant significativement les niveaux nominaux) lorsqu'elles étaient appliquées à des CATE estimés. CausalStabSel a atteint des Taux de Vrais Positifs (TPR) élevés, comparables aux meilleures alternatives, sans sacrifier la puissance.
• Applications Réelles :
  • Essai Randomisé PRIME (Oncologie) : Appliqué à un essai de thérapie anti-EGFR dans le cancer colorectal métastatique. CausalStabSel a identifié le statut de mutation KRAS (BMMTR1, BMMTR3) comme modificateurs d'effet, cohérent avec la littérature clinique connue, ainsi que les plaquettes, l'âge et la lactate déshydrogénase.
  • Tabagisme Maternel et Poids de Naissance (Observationnel) : Appliqué aux registres de naissances de Pennsylvanie. La méthode a identifié l'âge maternel et le statut de premier-né comme modificateurs d'effet, cohérent avec les résultats épidémiologiques concernant la réduction du poids de naissance induite par le tabagisme.
  • Dans les deux cas, l'inférence sur données retenues utilisant des spécifications BLP-on-CATE a fourni une corroboration pour les modificateurs sélectionnés.

Signification et Revendications
L'article revendique que CausalStabSel établit un lien direct et quantitatif entre l'estimation de l'effet du traitement et la découverte de modificateurs d'effet. En démontrant que le biais dans les probabilités de sélection est contrôlé par l'erreur d'estimation du CATE, les auteurs montrent que les améliorations en inférence causale se traduisent directement par une sélection de variables plus fiable.

La signification de ce travail réside dans sa capacité à résoudre le problème de « fausse découverte » inhérent aux inférences causales adaptatives actuelles. Les auteurs soulignent que sans contrôle en échantillon fini, les découvertes erronées risquent de ne pas se répliquer, ce qui est particulièrement dangereux en médecine de précision et dans le ciblage des politiques. CausalStabSel fournit une solution robuste et théoriquement fondée qui accepte des estimateurs d'effets de traitement et des sélecteurs de base arbitraires, la rendant applicable aussi bien aux essais randomisés qu'aux études observationnelles sous des hypothèses d'identification standard (SUTVA et forte ignorabilité).