📊 statistics

Uncertainty intervals for multilevel models with missing not at random data

Cet article propose une méthode d'analyse de sensibilité pour les modèles multiniveaux linéaires avec des données manquantes non aléatoires (MNAR) qui dérive des ajustements de biais pour estimer des bornes plausibles pour les paramètres d'intérêt sous des hypothèses plus faibles que celles de la distribution aléatoire (MAR), validée par des simulations et une application aux trajectoires de solitude, d'activité physique et de mémoire.

Auteurs originaux : Minna Genbäck

Publié 2026-06-24

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Minna Genbäck

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 essayez de cuisiner le gâteau parfait (votre étude) pour comprendre comment des ingrédients comme la solitude et l'exercice affectent la mémoire au fil du temps. Vous avez une recette qui suppose que si un pâtissier quitte la classe, c'est de manière aléatoire — peut-être qu'il a simplement oublié son tablier ou qu'il a eu un pneu crevé. C'est ce qu'on appelle l'hypothèse des « Données Manquantes au Hasard » (Missing At Random - MAR). La plupart des outils statistiques cuisinent le gâteau en se basant sur cette idée.

Cependant, dans le monde réel, les pâtissiers quittent souvent la classe pour des raisons spécifiques liées au gâteau lui-même. Peut-être que ceux qui ont du mal à se souvenir des étapes sont ceux qui abandonnent le cours prématurément. Si vous ignorez cela, votre gâteau final aura un mauvais goût car vous n'aurez goûté que les préparations de ceux qui sont restés. C'est ce qu'on appelle les « Données Manquantes Non Au Hasard » (Missing Not At Random - MNAR).

Cet article propose une nouvelle façon de cuisiner le gâteau qui admet : « Nous ne savons pas exactement pourquoi les gens sont partis, mais nous pouvons deviner à quel point cela pourrait avoir changé le goût. »

Voici comment l'auteure, Minna Genbäck, décompose le tout :

1. Le Problème : Les Abandons « Fantômes »

Dans les études à long terme (comme le suivi de la mémoire des gens sur 10 ans), les gens cessent de répondre aux enquêtes. Les calculs standards supposent que ces abandons sont aléatoires. Mais dans les études de santé, les personnes plus malades ou plus fragiles abandonnent souvent plus que les personnes en bonne santé. Si vous les traitez comme étant aléatoires, vos résultats seront biaisés — c'est comme juger une course uniquement par les coureurs qui ont franchi la ligne d'arrivée, en ignorant ceux qui ont trébuché et sont tombés parce que la piste était trop difficile.

2. La Solution : Le Filet de Sécurité du « Et Si »

Au lieu de prétendre que nous savons exactement pourquoi les gens sont partis (ce qui est impossible à prouver), l'auteure suggère une Analyse de Sensibilité. Considérez cela comme la construction d'un « filet de sécurité » autour de votre réponse.

L'Ancienne Méthode : Vous calculez un chiffre unique (ex: « L'exercice améliore la mémoire de 0,4 point »).
La Nouvelle Méthode : Vous calculez une plage. Vous dites : « Si les abandons étaient légèrement liés à une mauvaise mémoire, la réponse se situe entre X et Y. S'ils étaient très liés, la réponse se situe entre A et B. »

Cela crée un Intervalle d'Incertitude. Ce n'est pas un point unique ; c'est une zone de réponses plausibles qui couvre tous les scénarios raisonnables de type « et si ».

3. Le Mécanisme : La « Poignée de Main Secrète »

Pour ce faire, l'auteure utilise deux modèles qui communiquent entre eux :

Le Modèle de la Mémoire : Prédit comment la mémoire change.
Le Modèle de l'Abandon : Prédit qui quitte l'étude.

Dans les mathématiques standards, ces deux modèles sont des étrangers ; ils ne se parlent pas. Dans cette nouvelle méthode, l'auteure introduit un « Paramètre de Sensibilité » (une poignée de main secrète). Ce paramètre représente la corrélation entre pourquoi la mémoire de quelqu'un change et pourquoi cette personne quitte l'étude.

Si la poignée de main est faible (zéro), c'est le scénario standard de l'« abandon aléatoire ».
Si la poignée de main est forte, cela signifie que les personnes ayant un déclin de la mémoire sont plus susceptibles d'abandonner.

L'auteure dérive une formule mathématique pour calculer exactement comment cette « poignée de main » fausserait les résultats. Ensuite, elle teste une plage de forces de « poignée de main » (de zéro à un maximum plausible) pour voir à quel point le résultat final vacille.

4. Le Test en Conditions Réelles : Solitude et Mémoire

L'auteure a testé cette méthode sur une enquête européenne massive (SHARE) impliquant plus de 27 000 personnes de plus de 65 ans. Elle a examiné si la solitude et l'activité physique affectaient les scores de mémoire au fil du temps.

Le Résultat Standard : Sous l'hypothèse de l'« abandon aléatoire », le sentiment de solitude était lié à une baisse de la mémoire, et l'exercice était lié à un boost.
Le Nouveau Résultat : Même en tenant compte de la possibilité que les personnes ayant une moins bonne mémoire étaient plus susceptibles de quitter l'étude (le scénario MNAR), les résultats n'ont pas beaucoup changé. Le « filet de sécurité » (l'intervalle d'incertitude) incluait toujours les conclusions originales.

Cela suggère que les conclusions originales sont robustes ; elles tiennent bon même lorsque l'hypothèse de l'« abandon aléatoire » est assouplie.

5. La Simulation : Le « Test de Stress »

Pour prouver l'efficacité de cette méthode, l'auteure a lancé une simulation informatique. Elle a créé des données fictives où elle connaissait la vérité et où les gens abandonnaient spécifiquement parce que leur mémoire était mauvaise.

Elle a tenté de corriger le biais en utilisant sa nouvelle formule.
Le Résultat : La méthode a bien fonctionné. Elle a réussi à corriger les estimations « vacillantes » et a fourni une plage qui capturait la vraie réponse la plupart du temps.

Le Piège (Limites)

L'auteure admet que cette méthode est très gourmande en calculs. C'est comme essayer de résoudre un puzzle géant en 3D dont les pièces ne cessent de bouger. Si les groupes de personnes (clusters) sont trop grands, les calculs deviennent trop lents pour être exécutés sur un ordinateur standard. De plus, la méthode suppose que la force de la « poignée de main » se situe dans une plage spécifique et plausible — si vous vous trompez sur la plage, le filet de sécurité sera soit trop large, soit trop étroit.

Résumé

Cet article ne vous donne pas une baguette magique pour corriger les données manquantes. Au lieu de cela, il vous donne une règle avec une marge d'erreur plus large. Il permet aux chercheurs de dire : « Nous ne savons pas exactement pourquoi les gens ont quitté l'étude, mais même si nous supposons le pire scénario raisonnable, nos conclusions principales sur la solitude et la mémoire restent valables. » Il remplace une supposition fragile à point unique par une plage de possibilités solide et flexible.

Résumé technique : Intervalles d'incertitude pour les modèles multiniveaux avec des données manquantes non aléatoires (MNAR)

Énoncé du problème
Les enquêtes longitudinales souffrent fréquemment de non-réponses, incluant à la fois les individus qui ne participent jamais et ceux qui abandonnent après un sous-ensemble d'occasions de mesure. Les modèles multiniveaux (à effets mixtes) standards supposent généralement que les données sont manquantes de façon aléatoire (MAR - Missing At Random), ce qui signifie que la probabilité de l'absence de données dépend uniquement des données observées. Cependant, dans les études impliquant des populations âgées et des résultats de santé, les répondants diffèrent souvent systématiquement des non-répondants (par exemple, en étant en meilleure santé), ce qui suggère un mécanisme de données manquantes non aléatoires (MNAR - Missing Not At Random). Si l'hypothèse MAR est violée, les estimations de paramètres peuvent être biaisées, conduisant à des conclusions trompeuses. Bien que les modèles de sélection et de mélange de motifs existent pour traiter les données MNAR, ils nécessitent souvent des contraintes distributionnelles fortes et invérifiables pour parvenir à une identification complète.

Méthodologie
L'article propose une méthode d'analyse de sensibilité qui délaisse l'identification complète au profit d'une identification partielle sous des hypothèses plus faibles. L'approche comprend les étapes suivantes :

Modélisation duale : Le résultat et le mécanisme d'abandon sont modélisés simultanément à l'aide de modèles multiniveaux.
- Le résultat $y_{ij}$ est modélisé via un modèle linéaire à effets mixtes : $y_{ij} = X_{ij}\beta + \eta_{ij}$ .
- Le processus d'abandon est modélisé via un modèle linéaire généralisé avec un lien probit, utilisant une variable latente $z^*_{ij}$ : $z^*_{ij} = X_{ij}\delta + u_{ij}$ , où l'observation se produit si $z^*_{ij} > 0$ .
Paramètre de sensibilité : Sous l'hypothèse MAR, les effets aléatoires du modèle de résultat ( $\eta$ ) et du modèle d'abandon ( $u$ ) sont indépendants. Pour tenir compte du MNAR, les auteurs introduisent une matrice de paramètres de sensibilité $\Delta_i$ , représentant la covariance entre ces composantes aléatoires.
Dérivation du biais : Les auteurs dérivent une expression analytique générale du biais de l'estimateur des moindres carrés généralisés (GLS) de $\beta$ lorsque $\Delta_i \neq 0$ . Le biais est une fonction des paramètres de sensibilité et de l'espérance mathématique d'une distribution normale multivariée doublement tronquée.
Intervalles d'incertitude : Au lieu de supposer une valeur unique pour les paramètres de sensibilité, la méthode spécifie une plage plausible (par exemple, des corrélations allant de 0 à 0,5). En calculant le biais pour les valeurs à l'intérieur de cette plage, les auteurs construisent des « intervalles d'incertitude ». Ces intervalles représentent l'union des intervalles de confiance dérivés sous la plage d'hypothèses MNAR spécifiée, fournissant des bornes pour l'estimation et l'inférence.

Contributions clés

Expression analytique générale : L'article fournit une expression analytique générale du biais de l'estimateur GLS dans les modèles multiniveaux sous des conditions MNAR. Les dérivations précédentes étaient limitées à des cas particuliers non représentatifs des études longitudinales (par exemple, en supposant que tous les résultats d'un groupe sont soit entièrement observés, soit entièrement manquants).
Cadre d'identification partielle : La méthode permet aux chercheurs de quantifier la stabilité des conclusions en relâchant l'hypothèse MAR sans nécessiter de contraintes distributionnelles invérifiables pour identifier pleinement les paramètres.
Stratégie de mise en œuvre : Les auteurs démontrent comment estimer les composantes nécessaires (matrices de covariance et espérances tronquées) en utilisant des logiciels standards (par exemple, lme4 dans R) et des packages spécialisés (MomTrunc), rendant cette approche techniquement réalisable pour les chercheurs appliqués.

Résultats

Application empirique : La méthode a été appliquée aux données de SHARE (Survey of Health, Ageing and Retirement in Europe) pour étudier l'association entre la solitude, l'activité physique et les trajectoires de mémoire chez les individus de plus de 65 ans.
- Sous l'hypothèse MAR, des sentiments fréquents de solitude étaient associés à une diminution de 0,59 mots dans le score de mémoire, tandis qu'une activité physique vigoureuse était associée à une augmentation de 0,41 mot.
- Les analyses de sensibilité supposant le MNAR (spécifiquement que le déclin de la mémoire augmente le risque d'abandon) ont suggéré que les estimations pourraient être légèrement biaisées (sous-estimées), mais les conclusions globales sont restées robustes. Les intervalles d'incertitude étaient légèrement plus larges mais centrés de manière similaire aux estimations MAR.
Étude de simulation : Une étude de simulation a évalué la performance de la correction du biais dans des échantillons finis.
- L'étude a comparé des modèles imbriqués (regroupement par ménage) et des modèles non imbriqués. Bien que les modèles imbriqués aient souvent souffert de problèmes de convergence, les modèles non imbriqués ont fourni des estimations stables.
- Les estimations corrigées du biais ont atteint des taux de couverture empirique d'au moins 87 % (souvent 90–95 %), même lorsque le processus de génération de données réel violait l'hypothèse MAR.
- L'étude a noté que les erreurs types pour la variable temporelle dans les conceptions imbriquées étaient sous-estimées, entraînant une couverture plus faible pour les estimations non corrigées, mais la correction du biais a considérablement amélioré la couverture.

Signification et limites
L'article affirme que la méthode proposée offre un outil pratique pour l'analyse de sensibilité dans les modèles multiniveaux, particulièrement pour la recherche sur la santé et le vieillissement où les hypothèses MAR sont souvent discutables. Elle permet une évaluation plus transparente de la dépendance des conclusions vis-à-vis des hypothèses sur les données manquantes.

Les auteurs reconnaissent certaines limites spécifiques :

Charge de calcul : Le calcul de l'espérance mathématique d'une distribution normale multivariée doublement tronquée devient coûteux en termes de calcul pour les grands groupes, limitant la faisabilité de conceptions hautement imbriquées (par exemple, le regroupement au niveau des pays) dans l'implémentation actuelle.
Population cible : Dans l'application empirique, la population cible est quelque peu mal définie en raison des décès non enregistrés et de la sélection dans l'étude, ce que la méthode n'aborde pas explicitement.
Logiciel : La méthode est actuellement implémentée via des scripts personnalisés utilisant des packages R existants, avec l'objectif futur de l'intégrer dans le package ui pour une plus grande accessibilité.

L'article conclut que bien que la méthode ne résolve pas entièrement le problème de l'identification, elle fournit un cadre rigoureux pour borner les estimations et évaluer la robustesse des résultats sous des scénarios MNAR plausibles.