Résumé Technique : Vers une Compréhension Holistique du Biais de Sélection pour l'Identification de l'Effet Causal

1. Énoncé du Problème

Le biais de sélection est un défi omniprésent dans les études observationnelles, où les points de données sont inclus de manière préférentielle en fonction de variables observées, entraînant une divergence entre la sous-population sélectionnée et la population cible. Un exemple classique est le « biais du volontaire en bonne santé » dans les biobanques, où les répondants possèdent souvent un statut socio-économique plus élevé et une meilleure santé que la population générale.

Le problème central abordé est l'identifiabilité de l'Effet Moyen du Traitement (ATE) en présence d'un tel biais. Plus précisément, l'article distingue deux objectifs :

1. s-ATE-sub : Estimer l'ATE au sein de la sous-population sélectionnée.
2. s-ATE-full : Estimer l'ATE pour la population cible entière en utilisant uniquement les données de la sous-population sélectionnée.

Les auteurs soutiennent que l'estimation du s-ATE-full est nettement plus difficile car elle nécessite une extrapolation au-delà de la distribution des données observées. Les méthodes existantes reposent souvent sur des hypothèses fortes, telles que l'identification de l'emplacement exact de la sélection dans un graphe acyclique dirigé (DAG) causal (par exemple, les critères de backdoor de sélection) ou l'imposition d'hypothèses distributionnelles restrictives (par exemple, un bruit non gaussien dans les modèles à bruit additif). Ces approches échouent souvent dans des scénarios où la sélection dépend d'interactions complexes ou où le mécanisme de sélection n'est pas entièrement connu.

2. Méthodologie

2.1. Cadre Théorique

L'article propose un cadre basé sur les distributions plutôt que de se fier uniquement à des critères graphiques. Il définit le problème en utilisant trois classes de distributions :

• Scores de Propension ($P_{t|x}$) : La probabilité du traitement étant donné les covariables.
• Distributions Covariables-Résultats ($P_{xy(t)}$) : La distribution conjointe des covariables et des résultats potentiels.
• Probabilités de Sélection ($P_{s|xyt}$) : La probabilité qu'un point de données soit inclus dans l'ensemble de données.

Les auteurs introduisent la Condition 1, une condition nécessaire et suffisante pour l'identifiabilité du s-ATE-full. Cette condition stipule que pour deux tuples de distributions compatibles quelconques produisant des ATE différents, leurs distributions observées (conditionnées par la sélection $S=1$) doivent différer. Formellement, si deux distributions sous-jacentes $P$ et $Q$ ont des ATE différents, il doit exister un point $(x, y, t)$ dans le support où le produit de la probabilité de sélection, du score de propension et de la distribution des résultats diffère entre $P$ et $Q$.

2.2. Résultats Théoriques Clés

L'article démontre que la Condition 1 est vérifiée sous des hypothèses spécifiques, relativement faibles :

• Sélection Déterministe : Si la sélection est déterministe (c'est-à-dire que certaines régions des données sont complètement censurées), l'ATE est identifiable si les distributions covariables-résultats appartiennent à une famille lisse (par exemple, des paramétrisations polynomiales) et si les scores de propension satisfont une condition de recouvrement faible (c-recouvrement). Cela exploite les résultats des statistiques tronquées pour extrapoler la distribution originale à partir de la distribution tronquée (observée).
• Sélection Non Déterministe : Si la sélection est probabiliste mais bornée loin de zéro (d-recouvrement de sélection), l'ATE est identifiable pour un large éventail de familles de distributions courantes, notamment les distributions gaussiennes, de Laplace, de Pareto et log-normales. L'intuition est que pour ces familles, les différences dans les résultats moyens se manifestent par des différences non bornées dans les rapports de densité, garantissant que les distributions observées diffèrent si les ATE diffèrent.

2.3. Lien avec les Critères Graphiques

Les auteurs montrent que leurs conditions distributionnelles généralisent les critères graphiques existants. Par exemple :

• Le critère Backdoor de Sélection (Correa et al., 2019) est un cas particulier de la Condition 1.
• Les résultats sur la sélection dépendante du résultat (Zhang et al., 2016), qui nécessitaient auparavant des modèles à bruit additif non gaussien, sont étendus pour inclure les distributions gaussiennes et autres distributions à queues lourdes dans le cadre proposé.
• Le cadre ne nécessite pas de localiser l'emplacement exact de la sélection dans le DAG, contournant ainsi une limitation pratique majeure des approches graphiques précédentes.

2.4. Algorithme d'Estimation

Lorsque les classes de distributions satisfont les conditions identifiées, l'article propose une procédure d'estimation en trois étapes (Algorithme 1) :

1. Estimation de la Propension : Estimer le score de propension $\hat{e}(x)$ et identifier la région de recouvrement $B$ où $c < \hat{e}(x) < 1-c$.
2. Modélisation : Estimer la distribution conditionnelle des résultats $\hat{P}(y|x, t)$ et la fonction de biais de sélection $\hat{\beta}(x, y, t)$. Cela est réalisé par :
   • Estimation du Maximum de Vraisemblance (MLE) : Minimisation de la vraisemblance négative avec régularisation pour prévenir l'indétermination.
   • Appariement de Scores (Score Matching) : Minimisation de la distance entre le gradient du log-densité du modèle et les données observées, qui est invariante aux facteurs d'échelle.
3. Extrapolation : Répondérer les échantillons observés par $1/\hat{\beta}$ pour retrouver la densité de population et calculer l'ATE contrefactuel.

3. Contributions Clés

1. Définition et Conditions Générales : L'article fournit une définition générale du biais de sélection et établit des conditions nécessaires et suffisantes (Condition 1) pour l'identifiabilité de l'ATE sous sélection, dépassant les structures graphiques spécifiques.
2. Hypothèses Plus Faibles : Contrairement aux travaux antérieurs qui nécessitaient un bruit non gaussien ou des formes fonctionnelles spécifiques, ce cadre permet une sélection dépendante de variables observées arbitraires et fonctionne avec des familles de distributions courantes (Gaussienne, Laplace, etc.) sous de faibles hypothèses de régularité.
3. Extension de l'Identifiabilité : Les résultats étendent la portée des scénarios identifiables pour inclure des paramètres précédemment considérés comme non identifiables dans la littérature, en particulier ceux impliquant une sélection dépendante du résultat avec un bruit gaussien.
4. Estimateurs Pratiques : L'article introduit des méthodes d'estimation concrètes (MLE et Appariement de Scores avec correction de biais) qui exploitent les statistiques tronquées pour extrapoler des échantillons sélectionnés vers la population entière.

4. Résultats Expérimentaux

Les auteurs évaluent leurs méthodes sur des ensembles de données synthétiques et semi-synthétiques :

• Données Synthétiques : Des expériences ont été menées avec diverses distributions de bruit (Gaussienne, Laplace) et formes fonctionnelles (additives, multiplicatives). Les méthodes proposées (MLE+β et SM+β) ont systématiquement surpassé les lignes de base telles que la pondération inverse naïve de la propension (IPW) et la régression polynomiale. Les méthodes corrigées ont considérablement réduit le biais, tandis que les lignes de base ont échoué à prendre en compte le mécanisme de sélection.
• Données Semi-Synthétiques (All of Us) : En utilisant des distributions réelles de covariables provenant de l'ensemble de données NIH "All of Us" (Diabète de type 2 et IMC), les auteurs ont généré des résultats synthétiques. Bien que le biais n'ait pas été entièrement éliminé en raison de la complexité des distributions réelles (par exemple, des scores de propension très faibles entraînant un recouvrement faible), les méthodes proposées ont considérablement réduit le biais par rapport aux lignes de base, démontrant une robustesse dans des paramètres réalistes et difficiles.

5. Signification et Revendications

L'article prétend offrir une compréhension holistique du biais de sélection en déplaçant l'accent de la topologie graphique vers les propriétés distributionnelles. Sa signification réside dans :

• Élargissement de l'Applicabilité : En assouplissant le besoin de structures graphiques spécifiques et d'hypothèses paramétriques fortes (comme un bruit non gaussien), le cadre rend l'identification de l'effet causal réalisable dans un plus large éventail de scénarios pratiques.
• Rigueur Théorique : Il fournit les premières conditions nécessaires et suffisantes pour l'identifiabilité du s-ATE-full sous un biais de sélection général, clarifiant exactement quand et pourquoi l'identification est possible.
• Avancement Méthodologique : L'intégration des statistiques tronquées et de l'appariement de scores offre une voie viable pour estimer les effets causaux en présence de mécanismes de sélection complexes où les méthodes d'ajustement traditionnelles échouent.

Les auteurs reconnaissent modestement les limites, notant que les hypothèses concernant les classes de distributions, bien que plus faibles que dans les travaux précédents, restent nécessaires pour les garanties théoriques. Ils suggèrent que des travaux futurs pourraient se concentrer sur l'assouplissement de ces hypothèses, l'application du cadre à la découverte causale et l'amélioration des techniques d'estimation pour des distributions de données réelles hautement complexes.