Causal Mediation Analysis for an Interrupted Time Series: Stabilized Mediator Weighting with an Application to a Vehicle Emissions Policy

Les décideurs politiques introduisent souvent des changements de grande envergure, comme de nouvelles lois ou des réglementations environnementales, à une date précise, dans l'espoir de voir un changement clair dans le fonctionnement des choses. Pour mesurer le succès de ces changements, les scientifiques examinent souvent une seule ligne de points de données collectés au fil du temps, tels que des relevés quotidiens de la qualité de l'air. Cette approche, connue sous le nom de série temporelle interrompue, est excellente pour repérer le changement total qui survient après la mise en œuvre d'une politique. Cependant, elle laisse souvent une question cruciale sans réponse : la politique a-t-elle fonctionné en modifiant directement le résultat, ou a-t-elle fonctionné en modifiant d'abord un facteur intermédiaire qui a ensuite influencé le résultat ? Par exemple, si une ville interdit un certain type de voiture, l'air devient-il plus propre parce qu'il y a moins de voitures, ou parce que les voitures restantes roulent moins ? Démêler ces deux voies — la voie directe et la voie indirecte par une étape intermédiaire — est difficile lorsque les données proviennent d'un seul endroit et d'un seul flux continu de temps, plutôt que de nombreux groupes de personnes distincts.

Une équipe de statisticiens de l'Université du Manitoba a développé une nouvelle façon de résoudre ce casse-tête. Ils ont créé une méthode capable de séparer l'effet total d'une politique en ses parties directes et indirectes, même en travaillant avec un enregistrement unique et ininterrompu de données quotidiennes. Leur approche a d'abord été testée sur des simulations informatiques conçues pour imiter les modèles réels quotidiens, où ils ont constaté que les méthodes plus anciennes et plus simples produisaient souvent des résultats trompeurs lorsque des facteurs cachés influençaient les données. Ils ont ensuite appliqué leur nouvelle technique à un événement réel : la fin du programme de test d'émissions de véhicules « Drive Clean » de l'Ontario en 2019. En analysant les données quotidiennes de la qualité de l'air de quatre régions de Toronto, ils ont découvert que la fin du programme de test a entraîné une baisse mesurable de l'ozone au niveau du sol, mais que le chemin menant à cette baisse était plus complexe qu'une simple chaîne de cause à effet.

Les chercheurs se sont concentrés sur un changement de politique spécifique : la suppression des tests d'émissions obligatoires pour les véhicules légers en Ontario le 1er avril 2019. Avant cette date, les voitures devaient passer des contrôles réguliers pour s'assurer qu'elles ne polluaient pas trop. Après la fin du programme, les chercheurs voulaient savoir comment cette décision affectait l'ozone au niveau du sol, un composant nocif du smog. Ils soupçonnaient que l'effet pourrait voyager à travers le dioxyde d'azote, un gaz émis par les véhicules qui est étroitement lié à la formation de l'ozone. Dans de nombreuses zones urbaines, la relation entre ces deux polluants est contre-intuitive ; parfois, une baisse de dioxyde d'azote peut en fait entraîner une hausse de l'ozone, tandis que dans d'autres cas, elle entraîne une baisse. Cette complexité rend difficile de déterminer si un changement d'ozone est un résultat direct de la politique ou un effet secondaire des changements de dioxyde d'azote.

Pour comprendre cela, l'équipe a dû surmonter un obstacle statistique majeur. Les méthodes standards d'analyse de telles données supposent souvent que les points de données sont indépendants, comme le fait de lancer une pièce de monnaie de nombreuses fois. Or, les données quotidiennes de la qualité de l'air ne sont pas indépendantes ; la qualité de l'air le mardi est fortement influencée par la météo et les niveaux de pollution du lundi. De plus, le changement de politique s'est produit à une date fixe, ce qui est une certitude, et non un événement aléatoire. Les chercheurs ont réalisé que les outils existants pour séparer les effets directs et indirects avaient été conçus pour des études impliquant de nombreuses personnes ou groupes différents, et non pour une seule chronologie continue. Ils ont adapté une technique appelée « pondération par médiateur stabilisé ». En termes simples, cette méthode crée une population virtuelle où le lien entre le facteur intermédiaire (le dioxyde d'azote) et le résultat final (l'ozone) n'est pas déformé par d'autres conditions météorologiques changeantes. En ajustant les données pour tenir compte de ces influences cachées, ils ont pu isoler le véritable effet de la politique.

Ils ont également dû tenir compte d'un second événement majeur survenu plus tard : le début de la pandémie en mars 2020, qui a radicalement changé les modes de circulation et les émissions. Pour s'assurer qu'ils mesuraient bien l'effet du programme de tests d'émissions et non celui de la pandémie, ils ont traité le début de la pandémie comme une seconde interruption dans leur chronologie. Ils ont testé leur nouvelle méthode de manière approfondie en utilisant des simulations informatiques générant des milliers de jours de fausses données avec des modèles connus. Dans ces tests, ils ont constaté que les anciennes méthodes non pondérées échouaient lourdement en présence de facteurs cachés, manquant souvent l'effet indirect ou se trompant de direction de l'effet. Leur nouvelle méthode, qui utilisait l'approche pondérée, a réussi à récupérer les véritables effets dans les simulations, réduisant considérablement les erreurs et fournissant une image beaucoup plus fiable de ce qui se passait.

Lorsqu'ils ont appliqué cette méthode raffinée aux données réelles de Toronto, les résultats ont révélé une histoire nuancée. L'analyse couvrait quatre régions distinctes de la ville : le centre-ville (Downtown), l'Est, l'Ouest et le Nord. Les chercheurs ont découvert que la fin du programme de tests d'émissions était associée à une réduction directe de l'ozone au niveau du sol. Dans les quatre régions, l'effet direct était une baisse d'environ 2,1 parties par milliard. Cela signifie que le changement de politique lui-même, ou les conditions entourant celui-ci, a conduit directement à un air plus propre, indépendamment de ce qui arrivait au dioxyde d'azote. Cette conclusion restait vraie même lorsqu'ils examinaient les données avant le début de la pandémie, ce qui suggère que le résultat était robuste et non un artefact des confinements.

Cependant, le chemin indirect racontait une histoire différente. L'effet de la politique sur l'ozone voyageant à travers le dioxyde d'azote n'était pas cohérent dans toute la ville. Dans trois des quatre régions, l'effet indirect était positif, ce qui signifie que les changements de dioxyde d'azote poussaient en fait les niveaux d'ozone à la hausse. Mais dans le noyau dense du centre-ville, l'effet indirect était négatif, faisant baisser les niveaux d'ozone. Lorsque les chercheurs ont combiné ces résultats régionaux, les effets indirects positifs et négatifs se sont largement annulés, résultant en un effet indirect total proche de zéro et non statistiquement significatif. Cela souligne un point critique : si les chercheurs n'avaient regardé que le changement total sans séparer les chemins directs et indirects, ils auraient pu manquer la réduction directe et constante de l'ozone ainsi que les forces opposées et complexes à l'œuvre dans les différents quartiers.

L'étude conclut que la nouvelle méthode constitue un outil puissant pour comprendre comment les politiques fonctionnent dans le monde réel. En séparant l'impact direct d'une intervention de l'impact indirect qui circule via des étapes intermédiaires, les scientifiques peuvent obtenir une image plus claire de la relation de cause à effet. Dans le cas du programme Drive Clean de l'Ontario, les preuves suggèrent que la fin des tests d'émissions a conduit à une amélioration directe des niveaux d'ozone, un constat qui concorde avec ce que les spécialistes de l'atmosphère observent sur le comportement de l'ozone dans les villes denses. La recherche démontre également que s'appuyer sur des méthodes simples et non ajustées peut conduire à des conclusions erronées, surtout lorsqu'on traite de données environnementales interconnectées et complexes. La capacité de distinguer un effet de politique direct d'une chaîne de réactions indirectes offre une manière plus précise d'évaluer le véritable impact des réglementations de santé publique et environnementales.