Powerful Multivariate Sensitivity Analysis via Sample Splitting in an Observational Study of the Effects of Poverty on Cardiovascular Disease Risk Factors

Résumé Technique : Analyse de Sensibilité Multivariée Puissante via la Division de l'Échantillon

Énoncé du Problème
Dans les études observationnelles évaluant les effets causaux d'une exposition sur de multiples résultats (contextes multivariés), les chercheurs cherchent souvent à tester une hypothèse nulle globale (que l'exposition n'a aucun effet sur aucun résultat). Une stratégie courante pour améliorer la puissance et la robustesse face aux facteurs de confusion non mesurés consiste à construire une combinaison linéaire de statistiques de test spécifiques à chaque résultat. Cependant, les méthodes existantes pour trouver la combinaison linéaire optimale — telles que celles utilisant des projections de Scheffé ou des variantes contraintes (par exemple, Cohen et al., 2020 ; Rosenbaum, 2016) — nécessitent des corrections pour les tests multiples. Ces corrections reposent sur des distributions de référence (par exemple, chi-bar-deux) dont les valeurs critiques augmentent avec le nombre de résultats ($K$). À mesure que $K$ augmente, ces valeurs critiques deviennent de plus en plus strictes, érodant la puissance statistique et rendant difficile le rejet de l'hypothèse nulle globale même lorsqu'il existe des preuves solides. De plus, la charge computationnelle de l'évaluation de ces distributions croît avec $K$.

Méthodologie
Les auteurs proposent un nouveau cadre d'analyse de sensibilité qui utilise la division de l'échantillon (sample splitting) pour découpler la sélection de la combinaison linéaire de l'étape d'inférence. La procédure fonctionne comme suit :

1. Partitionnement des Données : Le jeu de données appariées est divisé aléatoirement en un échantillon de planification (pilote) et un échantillon d'analyse.
2. Phase de Planification : Sur l'échantillon de planification, le chercheur résout un problème d'optimisation pour identifier la combinaison linéaire de statistiques de test (contrainte au simplexe de probabilité, $\Delta_+$) qui maximise la sensibilité au biais non mesuré (c'est-à-dire minimise la pire valeur de p sous le modèle de sensibilité de Rosenbaum). Cela produit un vecteur de poids estimé, $\hat{\lambda}_{plan}$.
3. Phase d'Inférence : Le vecteur $\hat{\lambda}_{plan}$ est traité comme préspécifié pour l'échantillon d'analyse. Le chercheur mène l'analyse de sensibilité sur l'échantillon d'analyse en utilisant cette combinaison linéaire fixe.
4. Justification Statistique : Parce que la combinaison est préspécifiée par rapport aux données d'analyse, la statistique de test suit une distribution Normale standard sous l'hypothèse nulle, plutôt qu'une distribution complexe de type chi-bar-deux dépendante de $K$. Cela permet d'utiliser une valeur critique (par exemple, 1,645 pour $\alpha=0,05$) qui est indépendante du nombre de résultats.

Contributions Théoriques
Le papier aborde une lacune théorique critique : la division de l'échantillon introduit généralement un « écart minimax » où le chercheur doit s'engager dans une stratégie avant que la nature (le facteur de confusion non mesuré) n'agisse, ce qui peut potentiellement conduire à une puissance strictement inférieure aux méthodes sur échantillon complet (comme l'ont noté Fogarty et Small, 2016).

• Théorème Minimax : Les auteurs prouvent un nouveau théorème minimax (Théorème 1) montrant que pour le cas spécifique où l'ensemble des combinaisons linéaires est le simplexe de probabilité ($\Delta_+$), l'ordre de l'optimisation (le chercheur d'abord vs la nature d'abord) n'a pas d'importance. L'égalité minimax est respectée :
  $$\min_{\varrho \in P_\Gamma} \sup_{\lambda \in \Delta_+} F(\lambda, \varrho) = \sup_{\lambda \in \Delta_+} \min_{\varrho \in P_\Gamma} F(\lambda, \varrho)$$
• Puissance Asymptotique : En tant que corollaire (Théorème 2), ils démontrent que la sensibilité de conception (la limite asymptotique de la valeur de sensibilité) de leur approche par division d'échantillon est identique à celle des alternatives sur échantillon complet. Ainsi, la méthode ne sacrifie pas la puissance asymptotique malgré l'utilisation d'un sous-ensemble de données pour l'inférence.

Résultats de Simulation
Des études de simulation approfondies ont été menées avec $I=300$ paires appariées et des nombres variables de résultats ($K \in \{5, 15, 25\}$) et de corrélations ($\rho \in \{0, 0,2\}$).

• Puissance en Échantillon Fini : La méthode de division d'échantillon a systématiquement démontré une puissance plus élevée que la mise en œuvre sur échantillon complet de Cohen et al. (2020), particulièrement à mesure que $K$ augmentait. Cela est attribué à l'évitement des valeurs critiques dépendantes de $K$.
• Comparaison à l'Oracle : Bien qu'un « oracle » (connaissant la combinaison optimale a priori) ait obtenu les meilleurs résultats, l'approche par division d'échantillon a nettement surpassé le comparateur sur échantillon complet et s'est approchée des performances de l'oracle dans de nombreux régimes.
• Effets de Corrélation : L'avantage de puissance de la méthode proposée était plus prononcé lorsque les résultats étaient non corrélés ou faiblement corrélés, bien qu'elle soit restée supérieure même avec une dépendance positive modérée.

Application : Pauvreté et Risque de Maladie Cardiovasculaire (MCV)
La méthode a été appliquée à une étude des effets de la pauvreté (définie par un ratio de revenu de pauvreté familiale < 1) sur les facteurs de risque de MCV chez les enfants et les adolescents en utilisant les données NHANES (1999–2016).

• Conception de l'Étude : 4 027 paires appariées ont été divisées en un échantillon pilote (25 %) et un échantillon d'analyse (75 %).
• Résultats : L'étude a examiné 9 résultats, incluant la composition corporelle, l'activité physique, les lipides et l'exposition au tabac (niveaux de cotinine).
• Constats :
  • L'approche par division d'échantillon a rejeté l'hypothèse nulle globale pour tous les strates d'âge/genre à $\Gamma=1$, alors que le comparateur sur échantillon complet n'a rejeté l'hypothèse nulle globale que pour les garçons âgés de 8 à 11 ans.
  • La méthode a identifié des effets indésirables significatifs de la pauvreté sur l'exposition au tabac (niveaux de cotinine) dans toutes les strates et sur l'activité physique récréative vigoureuse (LTPA) pour les adolescents.
  • Robustesse : Les conclusions concernant l'exposition au tabac ont montré une robustesse face aux facteurs de confusion non mesurés jusqu'à $\Gamma \approx 2,25$ (valeur de sensibilité $\approx 3,05$). En revanche, les conclusions concernant l'activité physique et la composition corporelle étaient sensibles à de faibles quantités de biais (échec du rejet à $\Gamma \approx 1,05$–$1,15$).
  • Comparaison : Une analyse de sensibilité sur échantillon complet sur les mêmes données a produit une valeur de sensibilité beaucoup plus faible ($\approx 1,67$) pour l'hypothèse globale, illustrant la perte de puissance inhérente aux méthodes multivariées existantes pour cet ensemble de données.

Signification
Le papier affirme que sa principale contribution est un cadre pratique et théoriquement fondé pour mener des analyses de sensibilité multivariées puissantes dans les études observationnelles avec de nombreux résultats. En exploitant la division de l'échantillon et un nouveau théorème minimax, la méthode :

1. Recouvre la Puissance : Elle évite la perte de puissance sévère associée aux valeurs critiques dépendantes de $K$ dans les contextes de haute dimension.
2. Maintient la Validité : Elle fournit une inférence de niveau $\alpha$ valide sans nécessiter de corrections asymptotiques dépendant de la dimension de l'espace des résultats.
3. Permet une Conception Pilotée par les Données : Elle permet aux chercheurs d'utiliser l'échantillon pilote pour affiner la sélection des résultats et les choix de statistiques de test (par exemple, identifier des composants alimentaires spécifiques ou des effets liés à l'âge) sans compromettre la validité de l'inférence finale.

Les auteurs concluent que, bien que la robustesse de leurs conclusions spécifiques sur la pauvreté et la MCV soit largement dictée par l'effet sur l'exposition au tabac, le cadre méthodologique permet avec succès la détection de ces effets là où les analyses de sensibilité multivariées traditionnelles échoueraient probablement par manque de puissance.