Résumé technique : Inférence causale avec un facteur de confusion non observé catégoriel via l'apprentissage de mélanges

Énoncé du problème

L'estimation des effets causaux à partir de données observationnelles est fondamentalement entravée par la confusion non observée — des variables latentes qui influencent à la fois l'attribution du traitement et les résultats. Les méthodes standard, telles que la régression ou l'appariement par score de propension, échouent lorsque ces facteurs de confusion ne sont pas mesurés, conduisant à des estimations biaisées (par exemple, le paradoxe de Simpson).

La littérature existante tente de résoudre ce problème via deux voies principales, toutes deux confrontées à des limitations :

1. Inférence causale proximale : Elle utilise des variables proxy (contrôles négatifs) pour identifier les effets causaux. Cependant, les cadres actuels (par exemple, Miao et al., 2018 ; Tchetgen Tchetgen et al., 2020) exigent que les proxies soient rigoureusement classés en rôles asymétriques : proxies induisant le traitement, proxies induisant le résultat et causes communes. En pratique, trouver des variables satisfaisant ces conditions spécifiques et asymétriques est souvent difficile.
2. Traitements multiples (le « Deconfounder ») : Il exploite plusieurs traitements conditionnellement indépendants pour inférer une structure latente (Wang et Blei, 2019). Bien que conceptuellement prometteur, les conditions d'identifiabilité de cette approche sont débattues (Ogburn et al., 2019), et les méthodes d'estimation existantes reposent souvent sur des algorithmes heuristiques (par exemple, Maximisation de l'Espérance) qui manquent de garanties de convergence globale ou de consistance pour des échantillons finis.

Ce papier comble cette lacune en établissant que les effets causaux sont identifiables à la fois dans les contextes à multiples proxies et à multiples traitements lorsque le facteur de confusion non observé est catégoriel (prenant un nombre fini de valeurs). Les auteurs proposent un cadre basé sur l'apprentissage de mélanges et la décomposition de tenseurs pour retrouver la structure de confusion latente sans exiger de classification asymétrique des proxies ni d'estimation heuristique.

Méthodologie

L'idée centrale est que lorsque le facteur de confusion latent $U$ est catégoriel et qu'il existe au moins trois vues conditionnellement indépendantes (proxies ou traitements), le problème d'identification se réduit à la récupération d'une distribution de mélange finie. Les auteurs utilisent la méthode des moments via la décomposition de tenseurs pour y parvenir.

1. Contexte à multiples proxies

Le cadre suppose un facteur de confusion latent $U \in \{1, \dots, K\}$ et $p \ge 3$ variables proxy $Z_1, Z_2, Z_3$ qui sont conditionnellement indépendantes étant donné $U$. Contrairement aux travaux antérieurs, ces proxies n'ont pas besoin d'être classés en rôles causaux spécifiques ; ils sont traités de manière symétrique.

• Identification : Sous les hypothèses d'indépendance conditionnelle et d'indépendance linéaire des mesures conditionnelles, les paramètres de la distribution de mélange (poids de mélange $\pi_u$ et densités de composantes $P_{v,u}$) sont strictement identifiables à une permutation près (Allman et al., 2009).
• Procédure d'estimation :
  1. Apprentissage de tenseurs non supervisé : Appliquer une décomposition de tenseurs robuste (Anandkumar et al., 2014) à la distribution conjointe des proxies pour estimer les poids de mélange $\hat{\pi}$ et les densités de composantes $\hat{f}_{v,u}$.
  2. Récupération a posteriori : Calculer la probabilité a posteriori de l'état latent pour chaque unité : $\hat{w}_u(Z) = P(U=u|Z)$.
  3. Estimation du modèle de traitement : Régresser le traitement $A$ sur des caractéristiques pondérées par les posterieurs récupérés pour estimer les paramètres de traitement spécifiques aux clusters.
  4. Estimation du modèle de résultat : Mettre à jour les posterieurs pour tenir compte de l'attribution du traitement ($P(U=u|A, Z)$) et régresser le résultat $Y$ sur des caractéristiques pondérées par ces posterieurs mis à jour pour estimer les paramètres de résultat spécifiques aux clusters.
  5. Calcul de l'effet causal : Calculer l'effet moyen du traitement (ATE) et l'effet moyen du traitement conditionnel (CATE) en intégrant sur la structure latente récupérée.

2. Contexte à traitements multiples

Le cadre s'étend aux scénarios sans proxies mais avec plusieurs (au moins trois) traitements conditionnellement indépendants $A_1, A_2, A_3$.

• Identification : De même que dans le cadre des proxies, la distribution conjointe des traitements permet l'identification unique des paramètres du mélange latent.
• Estimation : Une décomposition de tenseurs est appliquée directement aux variables de traitement pour récupérer l'a priori latent et les probabilités d'émission. Ceux-ci sont ensuite utilisés pour construire des caractéristiques pondérées pour une régression finale sur le résultat afin d'estimer les paramètres causaux.

3. Garanties théoriques

Le papier fournit des bornes d'erreur non asymptotiques pour l'ensemble de la chaîne d'estimation.

• Consistance pour échantillon fini : Les auteurs dérivent des bornes d'erreur pour l'étape de décomposition de tenseurs (estimation des posterieurs) et propagent ces erreurs à travers les étapes de régression subséquentes.
• Convergence : L'algorithme proposé atteint la consistance pour le paramètre causal (ATE) sur des échantillons finis, avec une borne d'erreur de $O(\log(\delta) \cdot n^{-\frac{b}{2b+7d}})$, où $b$ est un paramètre de régularité et $d$ la dimension des proxies.
• Convergence globale : Contrairement aux algorithmes EM, la méthode de puissance de tenseur utilisée assure une convergence globale sous des conditions de non-dégénérescence légères.

Contributions clés

1. Hypothèses de proxy assouplies : Le papier introduit un cadre causal à multiples proxies qui ne nécessite pas la classification rigide des proxies en expositions ou résultats de contrôle négatif. Il exige uniquement un ensemble de trois proxies ou plus conditionnellement indépendants.
2. Identifiabilité et estimation : Les auteurs établissent l'identifiabilité des paramètres du modèle et des estimands causaux (ATE, CATE) pour les contextes à multiples proxies et à traitements multiples, sous l'hypothèse d'un facteur de confusion latent catégoriel.
3. Stabilité algorithmique : Ils proposent une procédure d'estimation efficace basée sur la décomposition de tenseurs offrant des garanties de convergence globale, évitant ainsi les problèmes d'optima locaux courants dans l'inférence variationnelle ou les algorithmes EM.
4. Théorie pour échantillon fini : Le papier fournit des bornes d'erreur rigoureuses pour l'estimation non paramétrique des distributions de posteriors latents et des paramètres causaux subséquents, aboutissant à une garantie de consistance pour l'ATE.
5. Généralisation non paramétrique : Les résultats d'identifiabilité sont étendus à un cadre non paramétrique plus large (Théorème 5.2), bien que l'implémentation algorithmique spécifique pour le cas entièrement non paramétrique soit notée comme un travail futur.

Résultats expérimentaux

Les auteurs valident leur méthode par des simulations et une analyse de données réelles :

• Simulations : Dans les contextes à multiples proxies et à traitements multiples, l'estimateur proposé démontre une convergence vers les coefficients causaux réels à mesure que la taille de l'échantillon augmente, performant bien même avec des données limitées.
• Données réelles (jeu de données BWGHT) : La méthode a été appliquée pour estimer l'effet du tabagisme maternel sur le poids de naissance des nourrissons. Le facteur de confusion non observé a été identifié comme le statut socio-économique familial latent.
  • En utilisant trois proxies (revenu familial, niveau d'éducation du père, niveau d'éducation de la mère), la décomposition de tenseurs a récupéré une structure latente trivalente ($K=3$).
  • Les clusters résultants correspondaient au consensus épidémiologique (classes défavorisées à haut risque, classe moyenne discordante et classes protectrices très favorisées).
  • L'effet causal estimé du tabagisme était négatif dans toutes les strates latentes, renforçant les conclusions antérieures sur la restriction de la croissance fœtale induite par le tabagisme.

Importance et affirmations

Le papier affirme établir un « pont concret entre l'apprentissage de mélanges et l'inférence causale ». En reformulant le problème de la confusion catégorielle non observée comme un problème d'identification de mélange latent, les auteurs évitent les problèmes inverses mal posés typiques des approches par équations intégrales utilisées dans l'inférence causale proximale.

L'importance de ce travail réside dans :

• Praticité : Il élimine l'exigence difficile de trouver des contrôles négatifs asymétriques, rendant l'inférence causale proximale plus applicable à des domaines où de telles variables sont difficiles à identifier.
• Rigueur théorique : Il fournit la première méthode d'estimation consistante pour le contexte à traitements multiples avec des garanties de convergence globale et des bornes d'erreur pour échantillon fini, comblant les lacunes théoriques de la littérature sur le « Deconfounder ».
• Innovation méthodologique : Il démontre que la décomposition de tenseurs peut être efficacement exploitée pour « démêler » les distributions de facteurs de confusion latents, permettant une récupération causale consistante dans des contextes précédemment considérés comme intraitables sans hypothèses paramétriques fortes ou conditions d'identification non testables.

Les auteurs restent modestes concernant les orientations futures, notant que si leurs résultats actuels traitent les distributions de proxies de manière non paramétrique, l'algorithme d'estimation suppose des formes paramétriques pour les modèles de traitement et de résultat. La généralisation du cadre à un contexte entièrement non paramétrique pour l'estimation est identifiée comme une extension naturelle pour les recherches futures.