📊 statistics

Causal Mediation Analysis for Network Data with Graph Neural Network

Cet article propose un cadre non paramétrique pour l'analyse de médiation causale dans les données de réseau qui utilise des réseaux de neurones sur graphes pour traiter la confusion de haute dimension et les effets de débordement simultanés du traitement et du médiateur, permettant l'identification d'effets directs et indirects avec des estimateurs doubles robustes et une normalité asymptotique sous interférence de voisinage approximative.

Auteurs originaux : Peikai Wu, Zhiguo Xiao

Publié 2026-08-14

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Peikai Wu, Zhiguo Xiao

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 comprendre pourquoi une rumeur se répand dans une école. Vous pourriez vous dire : « Si je confie un secret à mon meilleur ami, il le dira à ses amis, et finalement, tout le monde sera au courant. » Mais qu'en est-il si votre ami ne propage la rumeur que parce qu'il l'a entendue de quelqu'un d'autre d'abord ? Ou si la rumeur change au fur et à mesure de son voyage, devenant une histoire différente lorsqu'elle atteint l'autre côté de la cour de récréation ? Dans le monde de la science, cela s'appelle l'analyse de médiation causale. C'est comme essayer d'ouvrir une boîte noire pour voir exactement comment une chose (le « traitement ») se transforme en une autre chose (le « résultat ») en observant l'étape intermédiaire (le « médiateur »). Habituellement, les scientifiques supposent que chacun est une île, agissant uniquement selon ses propres choix. Mais dans la vie réelle, nous sommes tous connectés par des réseaux invisibles d'amitié, de famille et de réseaux sociaux. Lorsque les gens sont connectés, les actions d'une personne peuvent déborder et affecter leurs voisins, ce qui rend extrêmement difficile de déterminer qui a fait quoi à qui. Ce document s'attaque à la réalité désordonnée et complexe de ces réseaux connectés.

Les auteurs, Peikai Wu et Zhiguo Xiao de l'Université de Fudan, s'attaquent à un casse-tête spécifique de la science des données : comment mesurer la relation de cause à effet lorsque les personnes sont liées dans un réseau géant et complexe, et que ces liens modifient la façon dont l'information circule. Ils s'intéressent particulièrement aux effets de débordement (spillover effects), où un traitement (comme une nouvelle méthode d'enseignement) n'aide pas seulement la personne qui le reçoit, mais aussi ses amis. Ils veulent savoir : quelle part du succès provient de la personne apprenant elle-même la matière (l'effet direct), et quelle part provient du fait qu'elle transmet ce savoir à ses amis (l'effet indirect) ?

Le problème est que la plupart des outils mathématiques traditionnels pour cette tâche supposent que les individus sont isolés. Si vous utilisez ces outils sur un groupe connecté, vous obtenez des résultats confus car les outils ne savent pas gérer le « bruit » de l'influence des amis sur les amis. Pour y remédier, les auteurs ont construit un nouveau cadre extrêmement flexible qui ne force pas le réseau à adopter une forme simple. Au lieu de deviner comment les amis s'influencent les uns les autres, ils laissent les données parler d'elles-mêmes grâce à un type spécial d'intelligence artificielle appelé Réseau de Neurones Graphiques (GNN). Considérez un GNN comme un détective qui ne se contente pas d'examiner le dossier d'une seule personne, mais qui parcourt toute la carte d'amitié, apprenant comment l'information se propage à travers le groupe, couche par couche.

Dans leur étude, les auteurs ont testé ce nouveau détective face à des méthodes plus anciennes et plus simples. Ils ont créé des réseaux fictifs de 1 000 à 4 000 personnes et les ont programmés avec des règles non linéaires complexes — ce qui signifie que l'influence n'était pas simplement un « l'ami A dit à l'ami B », mais un mélange complexe d'amis du second degré et de motifs cachés. Les résultats étaient clairs : les anciennes méthodes, qui tentaient de résumer le réseau en faisant simplement la moyenne des traits d'un ami, se trompaient dans les calculs. Elles étaient biaisées et passaient à côté des effets réels. La nouvelle méthode GNN, quant à elle, a réussi à naviguer dans ce réseau complexe. Elle a trouvé les vraies réponses avec beaucoup moins d'erreurs et a fourni des intervalles de confiance bien plus fiables.

Les auteurs ont également appliqué leur méthode à une étude réelle sur l'assurance agricole dans les zones rurales de Chine. Ils voulaient savoir si une session de formation aidait les agriculteurs à acheter une assurance parce que les agriculteurs avaient réellement appris des choses sur l'assurance (connaissance), ou parce qu'ils pensaient simplement que davantage de personnes en achetaient (perception). La nouvelle méthode a révélé que la formation fonctionnait parce qu'elle renforçait la connaissance réelle, ce qui menait ensuite à plus de ventes. L'angle de la « perception », quant à lui, n'était pas un véritable moteur. Cela montre que leur nouvel outil peut percer le bruit de l'influence sociale pour trouver le véritable moteur du changement.

En combinant des mathématiques avancées avec une IA flexible qui comprend comment les réseaux fonctionnent réellement, ce document propose une nouvelle façon de démêler la cause et l'effet dans notre monde connecté. Il suggère que lorsque nous cessons de prétendre que les gens sont des îles et que nous commençons à utiliser des outils qui respectent la complexité de nos réseaux sociaux, nous pouvons enfin voir le véritable chemin de la manière dont les actions se propagent à travers une communauté.

Énoncé du Problème
L'analyse de médiation causale repose traditionnellement sur l'hypothèse de l'unité de traitement stable (SUTVA), qui postule que les résultats potentiels et les médiateurs d'un individu dépendent uniquement de son propre traitement. Cette hypothèse est fréquemment violée dans les populations en réseau où l'interférence (effet de débordement ou spillover) est prévalente. La littérature existante sur l'inférence causale en réseau utilise souvent des mises en correspondance d'exposition (exposure mappings) pour agréger les traitements en vecteurs de faible dimension, mais ces mises en correspondance confondent fréquemment la définition de l'estimand causal avec la restriction structurelle du mécanisme d'interférence. Lorsque le véritable mécanisme d'interférence ne s'aligne pas sur une mise en correspondance préspécifiée, les résultats d'identification perdent leur interprétation causale. De plus, l'analyse de médiation en contexte de réseau reste limitée, souvent restreinte aux contextes d'interférence partielle, aux modèles structurels d'équations linéaires, ou au traitement de la structure du réseau elle-même comme médiateur. Il existe un manque de cadre capable de gérer simultanément les débordements de traitement et de médiateur, la confusion de réseau de haute dimension et les fonctions structurelles non paramétriques au sein d'un seul grand réseau observé.

Méthodologie
L'article propose un cadre non paramétrique pour l'analyse de médiation causale sur un seul grand réseau observé.

Modèle et Identification : Les auteurs définissent un modèle structurel où le résultat, le médiateur et le traitement sont générés par des fonctions inconnues dépendant des covariables individuelles, de la matrice d'adjacence et des termes d'erreur. Crucialement, la fonction de résultat permet une dépendance arbitraire vis-à-vis des vecteurs de traitement et de médiateur de tous les individus. Pour définir des estimands causaux sans restreindre le mécanisme d'interférence réel, les auteurs introduisent des mises en correspondance d'exposition ( $T_i$ ) et de médiateur ( $S_i$ ) qui résument le débordement provenant des autres individus ( $D_{-i}, M_{-i}$ ), tout en gardant le traitement ( $D_i$ ) et le médiateur ( $M_i$ ) propres à l'individu séparés. Cette séparation permet de définir des effets « propres » (direct contrôlé, direct naturel et indirect naturel) distincts des effets de débordement.
Conditions d'Identification : L'ignorabilité séquentielle standard est insuffisante en raison de la dépendance au réseau. Les auteurs proposent des hypothèses d'indépendance conditionnelle renforcées, exigeant que le résultat potentiel soit indépendant des vecteurs de traitement de tous les individus et, pour les effets naturels, des médiateurs de tous les individus. Des conditions suffisantes primitives sont fournies en termes d'indépendance des erreurs structurelles.
Estimation : Les auteurs construisent des estimateurs de type AIPW (Augmented Inverse Probability Weighted) pour les effets causaux définis. Ces estimateurs sont doublesment robustes pour les effets contrôlés et multiply robustes pour les effets naturels. Le défi central réside dans l'estimation de fonctions de nuisance de haute dimension (régressions de résultats et scores de propension) qui dépendent de la structure entière du réseau.
Réseaux de Neurones Graphiques (GNN) : Pour traiter la confusion de réseau de haute dimension sans spécifier l'agrégation des caractéristiques, les auteurs emploient des réseaux de neurones graphiques (spécifiquement une architecture de type Principal Neighborhood Aggregation). Les GNN prennent en entrée directe les caractéristiques des nœuds et la matrice d'adjacence, utilisant un passage de messages par couche pour agréger les informations des voisins et des voisins d'ordre supérieur. Cela permet au modèle d'apprendre automatiquement des dépendances de réseau complexes et non linéaires.
Théorie Asymptotique : L'article établit la normalité asymptotique pour les estimateurs AIPW sous une interférence de voisinage approximative et une faible dépendance au réseau (modélisée comme un champ aléatoire $\psi$ -dépendant). Il prouve également la cohérence d'un estimateur de variance de type HAC (Heteroskedasticity and Autocorrelation Consistent) pour le réseau, avec des bandes passantes adaptées à la taille et à la densité du réseau.

Contributions Clés

Développement de Cadre : L'article développe un cadre pour l'analyse de médiation causale dans un seul grand réseau observé où les débordements de traitement et de médiateur se produisent simultanément. Il étend la distinction entre la définition des estimands et la restriction des structures d'interférence (comme suggéré par Sävje, 2024) au contexte de la médiation, séparant nettement les effets propres des effets de débordement.
Intégration des GNN et de l'Estimation Robuste : Il combine l'ajustement par GNN pour la confusion de réseau de haute dimension avec une estimation AIPW robuste. Les fonctions de nuisance sont apprises de manière non paramétrique à partir de l'ensemble du réseau, et les estimateurs résultants possèdent des propriétés de robustesse double ou multiple. Cela répond à la lacune où les méthodes existantes peinent face à la confusion non linéaire de haute dimension et à la mauvaise spécification des mises en correspondance d'exposition.
Théorie de l'Inférence : L'article fournit une théorie asymptotique pour ces estimateurs sous un seul réseau croissant. Contrairement aux travaux précédents reposant sur des groupes indépendants ou des modèles paramétriques, il permet une dépendance au réseau d'ordre arbitraire et une estimation de nuisance non paramétrique. Il établit des conditions de normalité asymptotique et construit un estimateur de variance HAC pour le réseau qui est cohérent, permettant une inférence valide à grand échantillon.

Résultats

Simulations : Les auteurs mènent des simulations sous des modèles de graphes géométriques aléatoires et d'Erdős–Rényi avec des débordements de réseau complexes et non linéaires. L'estimateur basé sur les GNN surpasse significativement les perceptrons multicouches (MLP) et les forêts aléatoires (RF) construits sur des moyennes de voisinage calculées manuellement. L'estimateur GNN atteint un biais plus faible, un écart-type meilleur et une couverture d'intervalle de confiance proche du niveau nominal de 95 %, particulièrement lorsque le nombre de couches du GNN correspond à la portée de dépendance du mécanisme générateur de données. En revanche, les méthodes conventionnelles de ML présentent un biais persistant et une faible couverture en raison de leur incapacité à capturer la dépendance de réseau d'ordre supérieur.
Application Empirique : Une réanalyse d'une expérience d'assurance agricole en milieu rural en Chine (Cai et al., 2015) est présentée. L'étude montre que les sessions intensives augmentent significativement l'adhésion à l'assurance. L'analyse identifie la « connaissance de l'assurance » comme un canal de médiation substantiel, tandis que les médiateurs basés sur la perception (taux d'adhésion perçu ou probabilité de catastrophe subjective) présentent des effets indirects naturels essentiellement nuls. Cela transforme les discussions informelles sur les mécanismes en décompositions causales estimables et testables.

Signification
L'article affirme combler une lacune critique dans la littérature en fournissant la première étude systématique de l'identification, de l'estimation et de l'inférence pour l'analyse de médiation causale dans un seul grand réseau sous une structure d'interférence générale et un modèle non paramétrique. En séparant la définition des estimands de la restriction structurelle de l'interférence et en exploitant les GNN pour l'estimation de nuisance de haute dimension, le cadre proposé offre une solution robuste pour décomposer les effets causaux en présence de débordements de réseau complexes. Le développement d'une théorie d'inférence à grand échantillon pour ces estimateurs rend le cadre applicable aux données de réseaux observationnelles du monde réel où l'interférence est la norme plutôt que l'exception.

Articles similaires