📊 statistics

Weighted Extensions of the Kolmogorov-Smirnov, Cramer-von Mises, and Anderson-Darling Tests for Assessing Covariate Balance

Cet article étend les tests de Kolmogorov-Smirnov, de Cramér-von Mises et d'Anderson-Darling pour les adapter aux données pondérées afin d'évaluer l'équilibre des covariables en inférence causale, démontrant par des simulations que ces versions pondérées maintiennent un contrôle valide de l'erreur de type I et préservent leurs avantages respectifs en termes de puissance contre différents types de divergences, le test d'Anderson-Darling étant recommandé comme une option par défaut robuste et polyvalente.

Auteurs originaux : Ariel Linden

Publié 2026-07-27

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Ariel Linden

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 soyez un détective essayant de résoudre un mystère : un nouveau médicament a-t-il réellement fonctionné, ou les patients étaient-ils simplement en meilleure santé au départ ? Dans le monde de la science, on appelle cela l'« inférence causale ». Pour en être sûr, vous devez comparer deux groupes de personnes : celles qui ont reçu le traitement et celles qui ne l'ont pas reçu. Si les groupes sont parfaitement assortis — comme des jumeaux de taille, de poids et d'âge — toute différence de santé ultérieure peut être imputée au médicament. Mais dans la vie réelle, nous ne pouvons pas toujours mener des expériences parfaites où les gens sont assignés de manière aléatoire. Au lieu de cela, les scientifiques utilisent souvent une astuce ingénieuse appelée « pondération ». Voyez cela comme une balance numérique dans une épicerie. Si le groupe « traité » compte trop de personnes lourdes et que le groupe « non traité » compte trop de personnes légères, le scientifique attribue un « poids » à chaque personne. Une personne légère dans le groupe lourd reçoit un poids important (comme un contrepoids lourd), tandis qu'une personne lourde dans le groupe léger reçoit un poids minuscule. Cela force mathématiquement les deux groupes à paraître équilibrés.

Mais voici la partie délicate : le fait que le poids moyen semble identique ne signifie pas que les groupes sont véritablement identiques. Imaginez deux sacs de billes. L'un contient dix billes d'un livre ; l'autre contient cinq billes d'un livre et cinq billes de deux livres. Si vous regardez simplement la moyenne, elles peuvent sembler similaires, mais la distribution des poids est totalement différente. Les scientifiques doivent vérifier si la forme entière des données correspond, et pas seulement la moyenne. Pendant des années, ils ont disposé d'outils pour vérifier cela, mais ces outils se sont brisés lorsqu'on essayait de les utiliser sur ces sacs de billes « pondérés ». Ils ne pouvaient pas gérer les contrepoids numériques. Ce document traite de la réparation de ces outils afin qu'ils fonctionnent parfaitement, même lorsque les données ont été modifiées par des poids.

Le document présente trois nouvelles versions améliorées de tests classiques de « balance » capables de gérer ces données pondérées. Les auteurs, dirigés par Ariel Linden, ont pris trois méthodes statistiques célèbres — le Kolmogorov–Smirnov (KS), l'Anderson–Darling (AD) et le Cramér–von Mises (CVM) — et leur ont appris à lire les poids. Ils n'ont pas seulement deviné comment faire ; ils ont construit une nouvelle méthode de « mélange » universelle. Imaginez que vous avez un jeu de cartes où certaines cartes portent des autocollants lourds. Au lieu d'essayer de comprendre pourquoi les autocollants sont là, la nouvelle méthode se contente de mélanger les étiquettes (qui appartient à quel groupe) tout en gardant les cartes et leurs autocollants exactement là où ils sont. En faisant cela des milliers de fois, ils peuvent voir si les différences qu'ils observent sont réelles ou s'il s'agit d'un coup de chance.

Les chercheurs ont testé ces nouveaux outils dans une simulation informatique massive. Ils ont créé quatre scénarios différents pour voir comment les outils se comportaient. Premièrement, ils ont vérifié si les outils déclenchaient de fausses alertes (erreur de type I) lorsque les groupes étaient réellement identiques. Les résultats ont été excellents : les trois outils sont restés très proches du taux d'erreur correct de 5 %, ce qui signifie qu'ils n'ont pas crié au loup lorsqu'il n'y avait pas de loup.

Ensuite, ils ont testé les outils contre trois types différents de « déséquilibres » entre les groupes :

Le déséquilibre central : Imaginez que les groupes soient identiques partout sauf au milieu, comme deux foules où tout le monde porte des chemises rouges dans un groupe et des chemises bleues dans l'autre. Ici, le test Kolmogorov–Smirnov (KS) était le grand vainqueur. C'est comme un détective qui ne cherche que l'écart le plus important ; il a trouvé le déséquilibre central plus rapidement que quiconque.
Le déséquilibre de queue : Imaginez que les groupes soient identiques au milieu, mais que les personnes « extrêmes » (les très grands ou les très petits) soient différentes. C'est comme si un groupe avait quelques géants et l'autre quelques nains. Ici, le test Anderson–Darling (AD) était de loin le meilleur. C'est comme un détective qui prête une attention particulière aux bords de la pièce. Le test KS n'a presque pas remarqué ce problème.
Le déséquilibre diffus : Imaginez que les groupes soient légèrement différents partout, comme si un groupe était juste globalement un peu plus grand que l'autre sur toute la ligne. Dans ce cas, les tests AD et CVM ont tous deux très bien performé et étaient presque à égalité, tandis que le test KS était à la traîne.

Le document a également examiné ce qui se passe lorsque les « poids » eux-mêmes sont très désordonnés et varient beaucoup (simulant des données du monde réel où certaines personnes reçoivent des poids énormes et d'autres des poids minuscules). Même avec ce chaos, les outils ont tenu bon. Le test AD est resté le meilleur pour détecter les problèmes de queue, et le test KS est resté le meilleur pour les problèmes centraux.

Alors, quelle est la conclusion pour un scientifique ? Si vous soupçonnez que les groupes sont différents juste au milieu, utilisez le test KS. Si vous vous inquiétez des extrêmes (les queues), le test AD est votre meilleur allié. Si vous n'êtes pas sûr de l'endroit où se trouve la différence, ou si vous pensez que la différence est répartie partout, le test AD est un choix « par défaut » sûr et fiable qui fonctionne bien dans presque toutes les situations, dépassant souvent les autres. Les auteurs ont même intégré ces outils dans des commandes logicielles (pour un programme appelé Stata) afin que d'autres chercheurs puissent les utiliser immédiatement.

En résumé, ce document n'a pas seulement inventé de nouveaux outils ; il a réparé les anciens outils cassés afin qu'ils puissent gérer les données pondérées et désordonnées que produit la science réelle. Il a confirmé que, bien qu'aucun outil ne soit parfait pour chaque tâche, le test Anderson–Darling est le « polyvalent » le plus adaptable pour vérifier si deux groupes sont véritablement équilibrés, surtout lorsque vous vous inquiétez des extrêmes.

Résumé technique : Extensions pondérées des tests de l'adéquation de la distribution pour l'équilibre des covariables

Énoncé du problème
L'évaluation de l'équilibre des covariables est une étape diagnostique fondamentale en inférence causale, nécessaire pour soutenir l'hypothion que les caractéristiques non mesurées ne confondent pas de manière significative les effets de traitement estimés. Bien que l'équilibre soit souvent atteint par des ajustements post-hoc comme la pondération par score de propension, l'équilibrage par entropie ou la stratification, les pratiques diagnostiques actuelles reposent lement sur des mesures de synthèse telles que la différence moyenne standardisée (SMD) et les rapports de variance. Ces statistiques de synthèse possèdent une limite critique : elles ne ciblent que des points spécifiques de la distribution d'une covariable (par exemple, la moyenne ou la variance) et sont intrinsèquement incapables de détecter des différences de distribution dans l'asymétrie, la localisation de la masse ou le comportement des queues qui n'affectent pas ces moments spécifiques.

Les tests d'adéquation de la distribution basés sur la fonction de répartition empirique (ECDF) — spécifiquement les tests de Kolmogorov–Smirnov (KS), de Cramér–von Mises (CVM) et d'Anderson–Darling (AD) — offrent une alternative plus complète en comparant des distributions entières. Cependant, jusqu'à ce travail, ces tests n'étaient disponibles que pour des données non pondérées. Cette lacune empêchait leur application dans les contextes mêmes où l'équilibre de la distribution est le plus critique : les analyses pondérées destinées à équilibrer les groupes traités et de comparaison.

Méthodologie
Cet article étend les tests KS, CVM et AD pour accommoder des poids de cas de toute origine. L'innovation méthodologique centrale est une procédure d'inférence par permutation de labels unifiée qui traite le poids d'une observation comme un attribut fixe plutôt que comme une quantité liée à un mécanisme d'estimation spécifique. Cette approche ne nécessite aucune hypothèse concernant la manière dont les poids ont été générés, permettant ainsi l'application des tests à tout schéma de pondération (par exemple, la pondération par l'inverse de la probabilité de traitement, l'équilibrage par entropie) sans modification.

Les statistiques pondérées sont définies comme suit :

KS pondéré ( $D^w$ ) : La distance absolue verticale maximale entre les ECDF pondérées des deux groupes.
CVM pondéré ( $CVM^w$ ) : La somme des écarts au carré entre les ECDF pondérées à travers des valeurs distinctes, sans standardisation de la variance.
AD pondéré ( $AD^w$ ) : La somme des écarts au carré standardisés par la variance sous l'hypothèse nulle. Crucialement, la taille de l'échantillon $N$ dans le terme de variance est remplacée par la taille d'échantillon effective de Kish ( $n_e$ ) pour tenir compte du contenu informationnel de l'échantillon pondéré. Le multiplicateur de liaisons reste le décompte brut des observations partageant une valeur.

L'inférence est réalisée par permutation de labels : les labels de groupe sont redistribués aléatoirement parmi $N$ observations tout en maintenant la valeur et le poids de chaque observation fixes. La $p$ -valeur est dérivée de la proportion de statistiques permutées dépassant la statistique observée.

Conception de l'étude de simulation
Une étude de simulation a été menée pour évaluer si les avantages comparatifs connus des tests non pondérés persistent sous pondération. Quatre scénarios ont été construits :

Nul : Aucune divergence (pour évaluer l'erreur de Type I).
Divergence localisée au centre : Un décalage confiné à l'écart interquartile.
Divergence localisée dans les queues : Un décalage confiné aux queues extrêmes.
Divergence diffuse : Un décalage uniforme à travers toute la distribution.

L'étude a fait varier les tailles d'échantillon ( $n = 1\,000$ à $4\,000$ ) et la variabilité des poids (ratio de la taille d'échantillon effective de Kish cible $r_e = 0,6$ , avec des vérifications de sensibilité de $0,2 $à$ 0,9$).

Résultats clés

Contrôle de l'erreur de Type I : À travers toutes les tailles d'échantillon et sous une variabilité substantielle des poids, les trois tests pondérés ont contrôlé l'erreur de Type I proche du niveau nominal de 5 %. Cela confirme que la procédure de permutation de labels partagée calibre efficacement la distribution nulle sans nécessiter d'hypothèses sur la génération des poids.
Divergence localisée au centre : Le test KS a démontré la puissance la plus élevée, surpassant significativement les tests AD et CVM. Cela s'aligne sur l'attente théorique selon laquelle le KS est le plus sensible à une divergence localisée unique et importante.
Divergence localisée dans les queues : Le test AD a été de loin le plus puissant, surpassant significativement les tests KS et CVM. Le KS et le CVM sont restés proches de leurs taux d'erreur de Type I, échouant à détecter la divergence dans les queues. Cela confirme la sensibilité de l'AD aux déviations de queue grâce à son terme de standardisation de la variance.
Divergence diffuse : Les tests AD et CVM ont tous deux performé de manière comparable et ont significativement surpassé le KS. Contrairement à l'attente théorique selon laquelle le CVM serait l'unique supérieur pour les divergences diffuses, l'AD a conservé un avantage modeste mais statistiquement significatif sur le CVM à des tailles d'échantillon modérées à grandes.
Sensibilité à la variabilité des poids : L'ordre comparatif des tests est resté stable à travers une large gamme de variabilité des poids ( $r_e$ de $0,2 $à$ 0,9$). À la variabilité la plus extrême ( $r_e = 0,2$ ), les trois tests ont montré une légère déviation ascendante de l'erreur de Type I (environ 6,4–6,7 %), bien que les classements de performance relative soient restés cohérents.

Exemple appliqué
Les méthodes ont été appliquées à une évaluation quasi-expérimentale d'une intervention de coaching de santé utilisant des poids d'inverse de la probabilité de traitement. L'évaluation de l'équilibre de l'indice de masse corporelle (IMC) a révélé des conclusions divergentes : le test AD a détecté une divergence résiduelle significative ( $p = ,018$ ), tandis que le CVM était suggestif ( $p = ,079$ ) et le KS non significatif ( $p = ,123$ ). L'inspection visuelle des ECDF pondérées a montré une divergence graduelle et persistante à travers une gamme de valeurs d'IMC plutôt qu'un seul écart net, illustrant pourquoi l'AD (sensible aux changements de l'ensemble de la distribution) a détecté le déséquilibre alors que le KS ne l'a pas fait.

Signification et revendications
L'article apporte deux contributions principales :

Extension méthodologique : Il fournit les premières généralisations pondérées des tests KS, CVM et AD, les rendant disponibles pour l'évaluation de routine de l'équilibre des covariables dans les études d'inférence causale pondérées.
Cadre d'inférence : Il établit une procédure d'inférence par permutation de labels unique et sans hypothèse, applicable à tout schéma de pondération.

Les auteurs concluent que les avantages comparatifs connus des tests non pondérés sont préservés sous pondération. Par conséquent, ils recommandent l'Anderson–Darling comme un défaut raisonnable de portée générale pour l'évaluation de routine de l'équilibre des covariables, car il performe de manière robuste à travers les types de divergence et est de loin supérieur pour les divergences situées dans les queues (une préoccupation courante dans la pondération par score de propension). Cependant, ils notent que le Kolmogorov–Smirnov conserve un avantage distinct si un déséquilibre spécifiquement concentré au centre est suspecté. L'article suggère que rapporter plusieurs tests (par exemple, à la fois AD et KS) est une stratégie prudente pour se prémunir contre les angles morts de n'importe quel statisticien unique.

Les auteurs restent modestes quant à la portée de leurs découvertes, notant que les simulations ont utilisé une distribution de base normale et que l'ordre comparatif pour les divergences diffuses (où AD et CVM étaient comparables) justifie une enquête plus approfondie sur les mécanismes sous-jacents. Ils ne prétendent pas avoir prouvé la validité de ces tests sous chaque schéma de pondération ou forme de distribution possible, mais démontrent la cohérence sous les conditions spécifiques simulées.

Articles similaires