📊 statistics

Proximal Causal Inference for Hidden Outcomes

Cet article établit l'identification de la loi complète des données pour les effets causaux avec des résultats cachés à l'aide de variables de substitution et propose les premiers estimateurs basés sur la fonction d'influence qui atteignent une robustesse multiple et une efficacité sans nécessiter de mesures de substitution non biaisées ni d'observation partielle.

Auteurs originaux : Helen Guo, Ilya Shpitser, Elizabeth L. Ogburn

Publié 2026-05-12

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Helen Guo, Ilya Shpitser, Elizabeth L. Ogburn

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 êtes un détective tentant de résoudre un crime, mais le témoin le plus important — le véritable témoignage de la victime — a disparu. Vous ne pouvez pas entendre ce qu'ils ont réellement vu. Cependant, vous avez trois personnes différentes dans la pièce qui ont entendu la victime parler, mais elles sont toutes légèrement sourdes et pourraient avoir mal compris les mots. Ces trois personnes sont vos « proxys ».

Ce document porte sur une nouvelle méthode mathématique qui vous permet de reconstituer le véritable témoignage de la victime et de déterminer exactement ce qui s'est passé, même si vous ne l'avez jamais entendu directement et que les témoins que vous avez entendus sont imparfaits.

Voici la décomposition de la manière dont les auteurs, Helen Guo, Ilya Shpitser et Elizabeth Ogburn, ont résolu ce puzzle :

1. Le Problème : Le Résultat « Fantôme »

Dans de nombreuses études scientifiques (comme tester un nouveau médicament), nous voulons savoir : « Si nous donnons un médicament à un patient, s'aggravera-t-il ou s'améliorera-t-il ? » Le « résultat » (s'améliorer) est la vérité dont nous avons besoin.

Mais parfois, ce résultat est caché. Peut-être que l'état de santé réel du patient est trop complexe à mesurer directement, ou que les données manquent. Habituellement, si vous ne pouvez pas voir le résultat, vous ne pouvez pas prouver la relation de cause à effet.

2. L'Ancienne Méthode vs La Nouvelle Méthode

L'Ancienne Méthode : Si vous avez des données cachées, les chercheurs devaient souvent faire des hypothèses très strictes (comme supposer que les données suivent une courbe en cloche parfaite) ou ils avaient besoin d'au moins un témoin « parfait » qui aurait entendu la victime à 100 % correctement. Si vous n'aviez pas de témoin parfait, les mathématiques échouaient généralement.
La Nouvelle Méthode (Ce Document) : Les auteurs disent : « Vous n'avez pas besoin d'un témoin parfait, et vous n'avez pas besoin de deviner parfaitement la forme des données. » Vous avez juste besoin de trois témoins imparfaits (appelés $W$ , $Z$ et $V$ ) qui écoutent tous la même vérité cachée ( $Y$ ) mais commettent leurs propres erreurs indépendantes.

3. L'Astuce Magique : Le « Puzzle à Trois Voies »

Les auteurs utilisent une astuce mathématique ingénieuse basée sur la manière dont ces trois témoins se chevauchent.

Pensez-y comme à un jeu de triangulation :

Le témoin A dit : « J'ai entendu un bruit fort. »
Le témoin B dit : « J'ai entendu un crash. »
Le témoin C dit : « J'ai entendu un bang. »

Même si vous ne savez pas quel était le son original, si vous savez que ces trois témoins sont indépendants (ils ne se parlent pas entre eux) et qu'ils réagissent tous au même événement caché, vous pouvez mathématiquement remonter le fil pour déterminer ce que cet événement a dû être.

Le document utilise un concept appelé structure de valeurs propres-vecteurs propres. En termes simples, c'est comme regarder un puzzle 3D complexe. Si vous avez assez de pièces (les trois proxys) et qu'elles s'assemblent d'une manière spécifique, il n'y a qu'une seule façon d'assembler le puzzle. Cela permet aux chercheurs de « reconstituer » le résultat caché ( $Y$ ) à partir des proxys bruyants ( $W, Z, V$ ).

4. Le Filet de Sécurité de la « Robustesse Multiple »

Une fois qu'ils ont compris comment reconstituer la vérité cachée, ils avaient besoin d'un moyen d'estimer l'effet du traitement (le médicament). Ils ont construit une calculatrice spéciale appelée fonction d'influence.

La meilleure partie de cette calculatrice est son filet de sécurité, qu'ils appellent « robustesse multiple ».

Imaginez que vous construisez un pont avec trois piliers de soutien.
Habituellement, si un pilier est faible, le pont s'effondre.
Avec cette nouvelle méthode, le pont reste debout tant que au moins un des trois piliers est solide.
Les « piliers » sont différentes parties du modèle mathématique (comme la manière dont le traitement a été attribué, ou la manière dont les témoins entendent). Même si vous vous trompez sur deux d'entre eux, tant que vous avez raison sur un seul, votre réponse finale est toujours correcte.

5. Les Résultats : Ça Marche, Mais C'est Coûteux

Les auteurs l'ont testé avec des simulations informatiques (créant de fausses données où ils connaissaient la réponse).

L'approche « Naïve » : Choisir simplement un témoin et lui faire confiance. Cela a échoué lamentablement ; les résultats étaient faux.
L'approche « Oracle » : Connaître parfaitement la vérité cachée. C'était le plus précis, mais impossible dans la vie réelle.
L'approche « Proposée » : Utiliser leur nouvelle mathématique pour reconstituer la vérité.
- Résultat : Elle était non biaisée (elle donnait la bonne réponse en moyenne).
- Coût : Elle était un peu plus « bruyante » (avait une variance plus élevée) que l'Oracle. Cela a du sens : reconstituer une vérité cachée à partir de trois témoins imparfaits est plus difficile que de simplement lire la vérité directement. C'est comme essayer de deviner une chanson en écoutant trois personnes la fredonner faux ; vous pouvez obtenir la mélodie, mais elle pourrait être un peu instable.

Résumé

Ce document prouve que vous pouvez résoudre le problème du « résultat manquant » sans avoir besoin de données parfaites ou de témoins parfaits. En utilisant trois proxys imparfaits et une structure mathématique spécifique, vous pouvez reconstituer la vérité cachée. Ils ont ensuite construit un estimateur robuste qui ne s'effondrera pas si certaines parties de votre modèle sont légèrement erronées, à condition qu'au moins une partie soit correcte.

En résumé : Vous pouvez trouver la vérité même lorsque celle-ci est cachée, tant que vous avez trois auditeurs indépendants et imparfaits et les bons outils mathématiques pour décoder leurs histoires qui se chevauchent.

Résumé technique : Inférence causale proximale pour des résultats cachés

Énoncé du problème
Les variables latentes demeurent un défi central en inférence causale, empêchant souvent l'identification et l'estimation des cibles causales. Bien que des approches basées sur des proxys aient émergé pour contourner la structure cachée sans recourir à des hypothèses paramétriques fortes, la littérature existante exige généralement au moins une mesure de proxy non biaisée ou une observation partielle du véritable résultat. Cet article aborde le cas spécifique où la variable de résultat $Y$ est non observée (cachée), mais où plusieurs proxys potentiellement biaisés ( $W, Z, V$ ) sont disponibles, ainsi que des facteurs de confusion observés $C$ et un traitement $A$ . L'objectif est d'identifier la loi des données complètes et d'estimer les effets causaux (spécifiquement l'effet moyen du traitement) sans supposer que les proxys sont non biaisés ni que le véritable résultat est partiellement observé.

Méthodologie
Les auteurs emploient un cadre basé sur la reconstruction de distributions latentes à partir de données observées, en exploitant la structure des valeurs propres et des vecteurs propres inhérente aux tableaux multidimensionnels (tenseurs).

Stratégie d'identification :
- Les auteurs définissent un graphe acyclique dirigé (DAG) causal où $A$ influence $Y$ , et où $C$ confond la relation. Le résultat caché $Y$ génère trois proxys observés $W, Z, V$ .
- Hypothèses : L'identification repose sur un ensemble d'hypothèses (4 à 8) adaptées de Hu et Schennach [11], Deaner [5], et Zhou et Tchetgen Tchetgen [28]. Les conditions clés incluent :
  - L'indépendance conditionnelle mutuelle des proxys étant donné le résultat latent, le traitement et les facteurs de confusion ( $W, Z, V \perp \perp \mid Y, A, C$ ).
  - Des conditions de complétude sur les distributions conditionnelles des proxys, garantissant une variabilité suffisante pour récupérer la distribution latente.
  - Une hypothèse d'étiquetage (Hypothèse 8) pour récupérer les valeurs spécifiques du résultat latent, soit via une fonctionnelle connue de la distribution conditionnelle, soit en supposant que le résultat est ordinal avec un support connu.
- Sous ces conditions, l'article établit que la loi des données complètes $p(A, Y, C, W, Z, V)$ est identifiée, identifiant ainsi la distribution des résultats potentiels $p(Y(a))$ et l'effet causal $E[Y(1)] - E[Y(0)]$ .
Cadre d'estimation :
- Les auteurs développent des estimateurs basés sur la fonction d'influence pour les effets causaux identifiés.
- Fonction d'influence des données observées : Puisque le véritable résultat $Y$ n'est pas observé, la fonction d'influence des données complètes ne peut pas être calculée directement. Les auteurs construisent une fonction d'influence des données observées $\phi_{obs}$ en remplaçant $Y$ par une moyenne pondérée sur les valeurs possibles $y$ .
- Construction des poids : Les poids $\omega_y(O; \eta)$ sont construits en utilisant les proxys observés et des fonctions de nuisance (espérances conditionnelles des proxys étant donné $Y, A, C$ ). Ces poids sont conçus de telle sorte que leur espérance conditionnelle étant donné le véritable résultat $Y=y$ soit égale à 1, et 0 sinon.
- Robustesse multiple : L'estimateur résultant résout une équation d'estimation de moyenne nulle. Il présente une robustesse multiple : la consistance est préservée si l'un quelconque de plusieurs ensembles spécifiques de fonctions de nuisance (impliquant le score de propension du traitement, la régression du résultat, ou les régressions des proxys) est correctement spécifié.
- Propriétés asymptotiques : Sous des conditions de régularité standard, l'estimateur est consistant à la vitesse $\sqrt{n}$ et asymptotiquement normal. Notamment, les fonctions de nuisance n'ont pas besoin d'être estimées individuellement à la vitesse $\sqrt{n}$ ; l'estimateur atteint la vitesse souhaitée pourvu que le produit des erreurs d'estimation converge à une vitesse suffisante.

Contributions clés

Première estimation semi-paramétrique pour des résultats cachés sans proxys non biaisés : À la connaissance des auteurs, il s'agit du premier travail établissant des résultats d'estimation semi-paramétrique pour des résultats cachés qui ne reposent pas sur l'existence de mesures de proxy non biaisées ou d'observations partielles du véritable résultat.
Estimateurs basés sur la fonction d'influence : L'article développe les premiers estimateurs basés sur la fonction d'influence dans ce cadre spécifique, offrant une voie pour atteindre une robustesse multiple et des propriétés d'efficacité désirables.
Garanties théoriques : Le travail fournit des preuves formelles de l'identification de la loi des données complètes et des propriétés asymptotiques (consistance et normalité) des estimateurs proposés.

Résultats
La performance des estimateurs proposés a été évaluée par le biais d'études de simulation sur des processus de génération de données à la fois discrets (binaires) et mixtes (facteurs de confusion et proxys continus).

Réduction du biais : Dans les deux scénarios, un estimateur « naïf » qui substitue le résultat non observé par un proxy s'est avéré sous-estimer considérablement le paramètre cible (biaisé). L'estimateur proposé a réussi à éliminer ce biais.
Compromis d'efficacité : Bien que l'estimateur proposé ait atteint l'absence de biais, il a engendré une variance plus élevée par rapport à un estimateur « oracle » ayant un accès direct au véritable résultat $Y$ . Dans le cas binaire, la variance scalaire était d'environ 1,7 contre 0,6 pour l'oracle. Dans le cas mixte, la variance était significativement plus élevée pour les petites tailles d'échantillon, mais diminuait à mesure que la taille de l'échantillon augmentait.
Robustesse : Les simulations ont confirmé les propriétés théoriques, démontrant que l'estimateur fonctionne bien même lorsque le résultat latent doit être reconstruit à partir de proxys observés.

Portée et affirmations
Les auteurs positionnent ce travail comme une avancée significative en inférence causale proximale. En assouplissant l'exigence de proxys non biaisés — une hypothèse forte souvent difficile à vérifier en pratique — le cadre étend l'applicabilité des méthodes basées sur les proxys à une classe plus large de problèmes impliquant des résultats cachés. Le développement d'estimateurs basés sur la fonction d'influence permet l'application de techniques semi-paramétriques modernes (telles que la double robustesse et le fractionnement des échantillons) à des contextes précédemment limités par des contraintes d'identification ou une dépendance à des hypothèses paramétriques. L'article conclut que, bien que des défis subsistent concernant la combinaison optimale des proxys et l'estimation pratique des fonctions de nuisance dans des contextes de grande dimension, le cadre proposé établit une fondation théorique et pratique viable pour l'inférence causale avec des résultats cachés en utilisant uniquement des proxys biaisés.