Résumé technique : Effets de débordement d'ordre supérieur sous interférence partielle

Énoncé du problème

L'inférence causale dans les contextes de réseaux est complexifiée par l'interférence, où le résultat d'une unité dépend des traitements d'autres unités. Bien que la littérature existante repose souvent sur l'hypothèse d'interférence de voisinage (limitant l'interférence aux voisins directs) ou sur l'hypothèse d'interférence partielle (limitant l'interférence à des clusters prédéfinis), ces approches présentent des limites significatives :

1. Portée restrictive : Dans les scénarios impliquant une diffusion des résultats (ex. : transmission de maladies, propagation de l'information), l'interférence s'étend souvent au-delà des voisins directs vers des distances de réseau d'ordre supérieur.
2. Risques de spécification erronée : Les méthodes standards nécessitent de spécifier une fonction de mise en correspondance de l'exposition (un résumé des traitements dans un ensemble d'interférence, par exemple la proportion de voisins traités). Si l'ensemble d'interférence ou la fonction de mise en correspondance est mal spécifié (par exemple, en supposant que seuls les voisins du premier ordre comptent alors que des effets du second ordre existent, ou en utilisant un proxy binaire pour une exposition continue), les estimateurs deviennent biaisés.
3. Manque de désagrégation d'ordre supérieur : Les méthodes actuelles peinent à désagréger les effets de débordement provenant de distances de réseau spécifiques (par exemple, distinguer les voisins du premier ordre de ceux du second ordre) sans reposer sur des hypothèses paramétriques fortes et potentiellement incorrectes concernant le mécanisme d'interférence.

Méthodologie

1. Hypothèse d'interférence généralisée

Les auteurs proposent une Hypothèse d'interférence partielle généralisée (Hypothèse 4). Contrairement aux hypothèses traditionnelles qui restreignent l'interférence aux voisins directs ou à des clusters entiers, ce cadre permet au résultat potentiel d'une unité de dépendre des traitements au sein d'un ensemble d'interférence $I_{ij}$ conservateur. Crucialement, cette approche ne nécessite pas de spécifier une fonction de mise en correspondance de l'exposition $g(\cdot)$ pour réduire le vecteur de traitement à un scalaire ou à un vecteur de faible dimension. Cela évite le biais découlant de formes fonctionnelles incorrectes de l'interférence.

2. Estimands causaux : Effets de débordement d'ordre $h$

Le document définit de nouveaux estimands causaux pour quantifier les effets de débordement provenant d'unités à une distance de réseau spécifique $h$.

• Assignation hypothétique : Les auteurs introduisent une assignation de traitement de Bernoulli hypothétique où :
  • Les unités dans le voisinage d'ordre $h$ ($C^h_{ij}$) sont assignées le traitement avec une probabilité $\alpha_h$.
  • Les unités dans le reste de l'ensemble d'interférence ($C_{i\setminus(j, C^h_{ij})}$) sont assignées le traitement avec une probabilité $\alpha$.
• Définition : L'effet de débordement d'ordre $h$, $SE^h(\alpha_h, \alpha'_h; a, \alpha)$, est défini comme la différence entre les résultats potentiels moyens de la population lorsque la probabilité d'assignation pour le voisinage d'ordre $h$ passe de $\alpha'_h$ à $\alpha_h$, tout en maintenant le traitement individuel $a$ et l'assignation du reste de l'ensemble d'interférence $\alpha$ fixes.

3. Estimateurs

Pour estimer ces effets sans dépendre de fonctions de mise en correspondance de l'exposition, les auteurs développent trois estimateurs non paramétriques et semi-paramétriques sous un plan de randomisation à deux étapes :

• Estimateur de Horvitz-Thompson (HT) : Une moyenne pondérée des résultats observés en utilisant des poids de probabilité inverse. Il est sans biais mais peut souffrir d'une variance élevée en raison de poids extrêmes.
• Estimateur de Hajek : Un estimateur de ratio (HT normalisé) qui stabilise la variance en divisant la somme pondérée des résultats par la somme pondérée des poids. Il est consistant et asymptotiquement sans biais.
• Estimateur de Moindres Carrés Pondérés (WLS) : Une approche basée sur la régression qui modélise la relation entre le résultat et la probabilité hypothétique $\alpha_h$ (par exemple, un modèle structurel marginal linéaire). Il utilise les poids HT pour corriger le biais de sélection tout en gagnant en efficacité grâce à la modélisation de la structure du résultat.

4. Analyse du biais de spécification

Le document dérive des formules de biais théoriques (Proposition 2 et Corollaires 1 & 2) pour les estimateurs qui reposent sur des ensembles d'interférence mal spécifiés ou des fonctions de mise en correspondance de l'exposition erronées.

• Il démontre que l'utilisation d'un ensemble d'interférence incorrect (par exemple, se restreindre aux voisins du premier ordre alors que l'interférence est du second ordre) ou d'une fonction de mise en correspondance incorrecte conduit à l'identification d'une moyenne pondérée des résultats potentiels sous la structure réelle, plutôt qu'à l'effet causal réel.
• Plus précisément, l'omission de termes d'ordre supérieur dans une régression (OLS) induit un biais de variable omise dû à la corrélation entre les mesures d'exposition à différentes distances de réseau, un phénomène souvent exacerbé par le plan de randomisation à deux étapes (paradoxe de Simpson).

Résultats clés

Étude de simulation

Les auteurs ont mené des simulations de Monte Carlo à travers quatre scénarios (pas d'interférence, premier ordre, second ordre, et second ordre avec interaction) et diverses structures de réseau (graphes d'Erdős–Rényi et réguliers).

• Biais : Les estimateurs HT, Hajek et WLS proposés sont restés sans biais dans tous les scénarios, y compris avec l'interférence d'ordre supérieur et les interactions. En revanche, les estimateurs OLS standards reposant sur des ensembles d'interférence restrictifs (ex. : $OLS(G_1)$) ou des fonctions de mise en correspondance de l'exposition mal spécifiées présentaient un biais significatif.
• Variance : L'estimateur HT présentait la variance la plus élevée, particulièrement avec de grands ensembles d'interférence. Les estimateurs Hajek et WLS ont démontré une variance plus faible, le WLS étant généralement le plus efficace grâce au lissage paramétrique, à condition que la spécification du modèle soit raisonnable.
• Densité du réseau : La variance de l'estimateur de Hajek était sensible à la densité du réseau ($p$). Pour les effets du premier ordre, la variance augmentait avec la densité ; pour les effets du second ordre, la variance culminait à des densités intermédiaires et diminuait à mesure que les réseaux devenaient saturés.

Application empirique : Essai de santé maternelle et infantile au Honduras

Les méthodes ont été appliquées à un essai randomisé à deux étapes au Honduras impliquant 176 villages et une intervention de santé maternelle et infantile.

• Débordements du premier ordre : Pour les individus traités, les effets de débordement du premier ordre suivaient une forme en U inversé, culminant à une saturation de traitement modérée ($\alpha \approx 0.5$) et déclinant à des saturations plus élevées (suggérant une saturation de l'information). Les individus non traités présentaient des effets de débordement négligeables.
• Débordements du second ordre : Les effets du second ordre étaient les plus forts lorsque le traitement était rare (faible $\alpha$) et diminuaient à mesure que le traitement devenait prévalent, suggérant un mécanisme de substitution où les voisins directs comblent les lacunes informationnelles.
• Hétérogénéité : Les individus traités bénéficiaient nettement plus des débordements par les pairs que les individus non traités, ce qui est attribué à une capacité d'absorption et une préparation de base plus élevées.

Signification et revendications

L'article affirme fournir un cadre robuste pour estimer les effets de débordement d'ordre supérieur sans dépendre d'hypothèses restrictives concernant le mécanisme d'interférence ou la forme fonctionnelle spécifique de l'exposition.

• Robustesse à la spécification erronée : En évitant les fonctions de mise en correspondance de l'exposition, les estimateurs proposés évitent le biais inhérent aux approches "naïves" qui spécifient incorrectement la portée ou le mécanisme de l'interférence.
• Flexibilité : Le cadre permet aux chercheurs de définir des ensembles d'interférence de manière conservatrice (par exemple, toutes les unités atteignables via des chemins finis) et de toujours estimer des effets causaux bien posés à des distances de réseau spécifiques.
• Utilité pratique : L'application empirique démontre qu'ignorer l'interférence d'ordre supérieur ou utiliser des hypothèses restrictives peut masquer des schémas complexes, tels que la relation non monotone entre la saturation du traitement et l'ampleur du débordement.
• Compromis : Les auteurs reconnaissent que, bien que leur approche conservatrice garantisse la robustesse, elle peut se faire au détriment de l'efficacité (intervalles de confiance plus larges) par rapport aux méthodes qui spécifient correctement la structure de l'interférence. Ils recommandent cette approche lorsque la complexité des processus sociaux rend imprudent de s'engager sur des mises en correspondance d'exposition restrictives.