Résumé technique : Identification et bornage des moments centraux des effets causaux à l'aide d'informations sur les moments marginaux

Énoncé du problème

En inférence causale, l'évaluation de l'hétérogénéité des effets de traitement est un objectif critique qui va au-delà de l'estimation de l'Effet Causal Moyen (ACE). Bien que la distribution des Effets Causaux Individuels (ICE), définis par $Y_1 - Y_0$, caractérise cette hétérogénéité, les méthodes existantes pour identifier ou borner la distribution de l'ICE (par exemple, Fan et Park [2010], Post et Van Den Heuvel [2025]) et ses moments centraux (Kawakami et Tian [2025]) nécessitent généralement l'accès aux distributions marginales complètes des résultats potentiels (PO), $P(Y_1 < y)$ et $P(Y_0 < y)$.

Dans de nombreux contextes empiriques, cependant, les données individuelles complètes ou les fonctions de distribution complètes ne sont pas disponibles en raison de restrictions de confidentialité, de secret professionnel ou de la nature des études historiques qui ne rapportent que des statistiques de synthèse agrégées. Dans ces cas, seuls les moments centraux marginaux (par exemple, la moyenne, la variance, l'asymétrie, le kurtosis) des groupes de traitement et de contrôle sont accessibles. Cet article traite du problème de l'identification et du bornage des moments centraux de l'ICE, noté $\mu^{(m)}$, en utilisant uniquement les moments centraux marginaux des résultats potentiels, $\sigma^{(k)}_1$ et $\sigma^{(k)}_0$, sans supposer la connaissance des distributions marginales complètes.

Méthodologie

Les auteurs utilisent le cadre des Modèles de Structure Causale (SCM) et des résultats potentiels. Les moments centraux de l'ICE sont définis par $\mu^{(m)} = E[(Y_1 - Y_0 - E[Y_1 - Y_0])^m]$. Les moments centraux marginaux des PO sont définis par $\sigma^{(k)}_x = E[(Y_x - E[Y_x])^k]$ pour $x \in \{0, 1\}$.

La méthodologie est divisée en deux approches principales :

1. Identification sous l'hypothèse de Déviation d'Effet Indépendante (IED) :
   L'article étudie l'identification sous la condition IED, où l'ICE est indépendant du résultat de base : $(Y_1 - Y_0) \perp\!\!\!\perp Y_0$. Sous cette hypothèse, les auteurs dérivent des formules d'identification récursives. Plus précisément, le Théorème 1 montre que si les moments marginaux jusqu'à l'ordre $m$ (en excluant certains ordres intermédiaires spécifiques) sont disponibles, le $m$-ième moment central de l'ICE peut être identifié de manière récursive. Notamment, sous l'hypothèse IED, la variance ($\mu^{(2)}$) est simplement identifiée comme la différence des variances des PO ($\sigma^{(2)}_1 - \sigma^{(2)}_0$), et les moments d'ordre supérieur comme l'asymétrie et le kurtosis peuvent également être identifiés si les moments marginaux correspondants sont disponibles.

2. Bornage sans IED :
   Reconnaissant que l'hypothèse IED est forte et souvent invérifiable, l'article dérive des bornes étroites (sharp bounds) pour $\mu^{(m)}$ en utilisant uniquement les moments marginaux disponibles $(\sigma^{(k)}_1, \sigma^{(k)}_0)$ sans supposer l'indépendance.

   • Variance ($\mu^{(2)}$) : Les auteurs analysent la corrélation $\lambda$ entre l'ICE et le résultat de base $Y_0$. Ils dérivent des bornes étroites pour $\mu^{(2)}$ basées sur $\sigma^{(2)}_1$ et $\sigma^{(2)}_0$, montant que la variance est bornée par $(\sqrt{\sigma^{(2)}_1} \pm \sqrt{\sigma^{(2)}_0})^2$. Ils démontrent en outre que la connaissance de moments d'ordre supérieur (comme l'asymétrie ou le kurtosis) ne permet pas nécessairement de resserrer la borne de la variance, sauf si des conditions spécifiques sont remplies.
   • Moments d'ordre supérieur : L'article fournit des bornes pour les troisième ($\mu^{(3)}$) et quatrième ($\mu^{(4)}$) moments centraux. Pour les moments impairs, si seuls les moments pairs d'ordre inférieur sont connus, les bornes sont souvent triviales (c'est-à-dire $(-\infty, \infty)$). Cependant, si le $m$-ième moment des PO est connu, des bornes non triviales peuvent être dérivées pour les $m$ pairs.
   • Étroitesse (Sharpness) : Les auteurs définissent rigoureusement l'« étroitesse » comme la propriété selon laquelle aucun intervalle fermé strictement plus serré n'existe compte tenu de l'information sur les moments. Ils fournissent des contre-exemples (dans le Matériel Supplémentaire) pour démontrer que, bien que certaines bornes soient étroites, la combinaison de plusieurs contraintes de moments (par exemple, connaître à la fois la variance et le kurtosis) ne produit pas toujours des bornes étroites pour les moments de l'ICE, particulièrement pour les moments d'ordre supérieur.

Contributions clés et résultats

1. Résultats d'identification sous IED :

   • L'article établit que sous la condition IED, les moments centraux de l'ICE sont identifiables à partir des moments centraux marginaux des PO.
   • Corollaire 1 & 2 : Spécifiquement, l'asymétrie et le kurtosis de l'ICE sont identifiables si les moments marginaux correspondants (3ème et 4ème) sont disponibles, ainsi que la variance.

2. Bornes étroites pour les moments centraux :

   • Variance : Le Théorème 3 fournit des bornes étroites pour $\mu^{(2)}$ en utilisant uniquement $\sigma^{(2)}_1$ et $\sigma^{(2)}_0$ : $(\sqrt{\sigma^{(2)}_1} - \sqrt{\sigma^{(2)}_0})^2 \leq \mu^{(2)} \leq (\sqrt{\sigma^{(2)}_1} + \sqrt{\sigma^{(2)}_0})^2$.
   • Moments d'ordre supérieur : Les Théorèmes 16–18 généralisent ces résultats pour un $m$ arbitraire. Pour un $m$ pair, si $\sigma^{(m)}_1$ et $\sigma^{(m)}_0$ sont disponibles, des bornes étroites sont dérivées. Pour un $m$ impair, l'article montre que la connaissance d'un seul moment d'ordre inférieur $k \leq m$ ne fournit généralement pas de bornes non triviales pour $\mu^{(m)}$ (sauf dans les cas extrêmes où les moments inférieurs sont nuls).
   • Intersection des bornes : L'article examine si l'intersection des bornes provenant de différents moments disponibles (par exemple, en utilisant à la fois $\sigma^{(2)}$ et $\sigma^{(4)}$) produit des résultats plus serrés. Les auteurs trouvent que bien que cela resserre souvent la plage, les bornes résultantes ne sont généralement pas étroites (Théorèmes 7, 11, 15), sauf dans des cas spécifiques impliquant la variance et les moments d'ordre supérieur.

3. Études de cas empiriques :
   Les auteurs appliquent leurs méthodes à deux études réelles où seules des statistiques de synthèse ont été rapportées :

   • Moseley et al. [2002] (Arthroscopie du genou) : En utilisant les moyennes et écarts-types rapportés, les auteurs bornent la variance de l'ICE. Ils trouvent une hétérogénéité substantielle, la variance pouvant varier de 19,36 à 806,56. Sous l'hypothèse d'une corrélation positive entre le résultat de base et l'ICE, la borne supérieure se resserre significativement.
   • Špirtović et al. [2023] (Programme d'aérobic) : En utilisant l'asymétrie et le kurtosis rapportés, ainsi que la moyenne et l'écart-type, les auteurs bornent la variance, l'asymétrie et le kurtosis de l'ICE. Les bornes résultantes sont larges, reflétant la non-identifiabilité fondamentale compte tenu de l'information limitée, mais elles permettent tout de même de caractériser la forme de la distribution (par exemple, une asymétrie positive sous IED).

4. Expériences numériques :
   Des simulations comparant les bornes basées sur les moments proposées à un estimateur d'intégration de Monte Carlo (MCI) (qui suppose les distributions marginales complètes) montrent que :

   • Dans certains contextes, les bornes basées sur les moments sont comparables ou même plus étroites que les bornes MCI.
   • La méthode proposée est robuste dans les contextes de petits échantillons, bien que les intervalles de confiance s'élargissent avec des tailles d'échantillon plus petites.

Signification et affirmations

L'article affirme que ses résultats d'identification et de bornage sont nouveaux, car le problème de l'évaluation des moments centraux de l'ICE en utilisant uniquement les moments centraux marginaux n'a pas été étudié systématiquement auparavant.

• Pertinence pratique : La principale importance réside dans la possibilité de réaliser des analyses d'hétérogénéité pour des études qui ne rapportent que des statistiques de synthèse (moyennes, variances, asymétrie, kurtosis) plutôt que des jeux de données complets. Cela permet aux chercheurs de réanalyser des études historiques accumulées ou celles avec des données restreintes par la confidentialité pour inférer l'étendue et la structure de l'hétérogénéité des effets de traitement.
• Limites de l'information : Les auteurs affirment modestement que leur travail caractérise explicitement « ce qui peut et ne peut pas être appris » sous une information de type moments uniquement. Ils démontent que si la variance peut souvent être bornée de manière significative, les caractéristiques d'ordre supérieur (comme l'asymétrie et le kurtosis) sont intrinsèquement sous-déterminées sans hypothèses plus fortes (comme l'IED) ou une connaissance de la distribution complète.
• Étroitesse (Sharpness) : L'article souligne que les bornes dérivées sont étroites là où elles sont revendiquées, fournissant les intervalles les plus serrés possibles compte tenu de l'information spécifique sur les moments. Cependant, il reconnaît également que pour de nombreuses combinaisons de moments disponibles, les bornes ne sont pas étroites, soulignant les limites fondamentales de l'inférence à partir de statistiques agrégées.

Les auteurs concluent que si l'hypothèse IED permet une identification ponctuelle, les bornes dérivées sans elle fournissent une caractérisation nécessaire de l'incertitude inhérente à l'hétérogénéité des effets causaux lorsque seuls les moments marginaux sont disponibles. Ils notent que des travaux futurs pourraient explorer le resserrement de ces bornes en utilisant des hypothèses structurelles supplémentaires, telles que les graphes causaux ou la monotonicité.