The positivity assumption in causal mediation analyses? Checked!
Cet article traite de l'hypothèse de positivité, souvent négligée dans les analyses de médiation causale, en étendant l'algorithme des arbres de régression de positivité (PoRT) pour traiter les effets de médiation contrôlés, naturels et interventionnels, fournissant ainsi un outil pratique pour la détection et la discussion des violations via le package R `port`.
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 êtes un détective essayant de résoudre un mystère : pourquoi un événement spécifique s'est-il produit ? Dans le monde de la science, on appelle cela l'inférence causale. Habitement, les détectives recherchent une chaîne d'événements simple : A a causé B. Mais la vie est rarement aussi linéaire. Souvent, A cause B parce qu'il a d'abord causé C, qui a ensuite causé B. Cette étape intermédiaire, C, est appelée un médiateur. Par exemple, peut-être que le fait d'étudier intensément (A) mène à de meilleures notes (B) parce que cela augmente votre confiance en vous (C). Pour prouver cela, les scientifiques utilisent une boîte à outils spéciale appelée analyse de médiation causale.
Cependant, cette boîte à outils a une règle très stricte appelée positivité. Voyez cela comme une recette de gâteau. Si vous voulez savoir comment le sucre affecte le goût, vous devez avoir cuit des gâteaux avec du sucre et des gâteaux sans sucre. Si vous n'avez des données que sur les personnes ayant consommé du sucre, vous ne pouvez pas deviner par magie ce qui se serait passé si elles n'en avaient pas consommé. En science, la « positivité » signifie que pour chaque type de personne dans votre étude, il doit y avoir une chance qu'elle puisse expérimenter toutes les versions possibles de la cause et du médiateur. Si un groupe spécifique de personnes ne vit jamais une certaine condition dans vos données, les mathématiques s'effondrent et le détective ne peut plus résoudre le mystère. Le problème est que vérifier si cette règle est brisée est incroyablement difficile, surtout lorsqu'il y a plusieurs étapes dans la chaîne.
C'est ici qu'une équipe de chercheurs dirigée par Arthur Chatton intervient avec un nouvel outil ingénieux. Ils ont réalisé que, bien que les scientifiques soient excellents pour vérifier si la règle du « sucre » est brisée pour des relations de cause à effet simples, ils oublient souvent de vérifier cela pour les chaînes plus complexes de type « sucre-puis-confiance ». Les auteurs soutiennent que sans vérifier cela, de nombreuses études pourraient tirer des conclusions à partir de rien. Pour y remédier, ils ont inventé une nouvelle méthode appelée dePoRT (arbres de régression de la décomposition de la positivité).
Considérez dePoRT comme un jeu de « cherche et trouve » super intelligent et automatisé. Imaginez un immense tas de données d'étudiants. Vous voulez savoir si la violence durant l'enfance mène à la violence dans les relations amoureuses, à travers l'implication religieuse ou le niveau de stress d'un étudiant. Les chercheurs ont construit un arbre numérique qui divise ce tas d'étudiants en groupes de plus en plus petits basés sur leurs caractéristiques (comme l'âge, l'éducation des parents ou le revenu). Il vérifie ensuite chaque petit groupe pour voir : « Avons-nous assez de personnes ici qui ont vécu la cause ? Avons-nous assez de personnes ici qui ont vécu le médiateur ? »
Si l'arbre trouve un groupe où, par exemple, seulement 2 % des étudiants ont une forte implication religieuse (alors que les mathématiques exigent plus pour être certains), il signale ce groupe comme une « violation ». C'est comme un feu de signalisation qui devient rouge pour un quartier spécifique, disant au chercheur : « Hé, vous ne pouvez pas faire confiance aux résultats pour ces personnes spécifiques car les données sont manquantes. »
L'article ne se contente pas d'inventer cet outil ; ils l'ont testé sur des données réelles impliquant 6 224 étudiants universitaires. Ils ont découvert que, bien que l'étude globale semblait correcte, des sous-groupes spécifiques — comme des étudiants présentant certaines combinaisons de niveaux d'éducation des parents et d'âges — manquaient des données nécessaires pour prouver le lien entre la violence et le stress ou la religion. Dans certains cas, cela signifiait que les chercheurs devaient changer de stratégie. Au lieu d'essayer de calculer l'effet « naturel » (ce qui se passerait si le stress d'un étudiant changeait magiquement), ils sont passés à un effet « interventionnel » (ce qui se passerait si nous forçions un changement de stress pour tout le monde). Ce changement leur a permis d'obtenir une réponse fiable même lorsque leurs données étaient imparfaites pour certains groupes.
Les auteurs précisent bien que cet outil n'est pas une baguette magique qui répare les données brisées. Si un groupe de personnes ne peut pas structurellement expérimenter une certaine condition (par exemple, s'il est physiquement impossible pour un sous-groupe spécifique d'avoir un stress élevé), aucune quantité de mathématiques ne peut réparer cela. Mais pour les cas où les données sont simplement manquantes par hasard (violations aléatoires), dePoRT aide les scientifiques à voir exactement où se trouvent les lacunes. En utilisant cet outil, les chercheurs peuvent cesser de deviner et commencer à savoir exactement quelles parties de leur étude sont solides et lesquelles sont fragiles. Ils ont même rendu leur outil gratuit et facile d'utilisation pour quiconque possède un package R, espérant que tout le domaine de la médiation causale devienne plus honnête et transparent.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.