Bias and Variance of Adjusting for Instruments

Cette étude de simulation démontre que, dans le cadre de l'ajustement par score de propension à grande échelle, l'inclusion de variables instrumentales n'entraîne qu'un biais négligeable sur l'estimation de l'effet, à condition que la corrélation avec le traitement et le score de préférence restent inférieurs à 0,5.

L'essentiel

🎯 Le Problème : Trouver la vérité dans le brouillard

Imaginez que vous êtes un détective essayant de savoir si un nouveau médicament (le traitement) guérit vraiment une maladie (le résultat). Le problème, c'est que vous n'avez pas de laboratoire contrôlé ; vous observez simplement des gens qui ont déjà pris le médicament dans la vraie vie.

Le grand ennemi du détective, c'est le brouillard (ce qu'on appelle en science le biais de confusion).

• Exemple : Si les gens qui prennent le médicament sont aussi plus riches et mangent mieux, est-ce qu'ils guérissent grâce au médicament ou grâce à leur bonne alimentation ? C'est difficile à dire.

Pour nettoyer ce brouillard, les chercheurs utilisent une technique appelée Propensity Score (une sorte de "filtre" mathématique) pour comparer des gens qui sont très similaires, sauf pour le médicament.

🎭 Le Dilemme : Faut-il tout filtrer ?

Il y a une vieille querelle parmi les chercheurs :

1. L'équipe "Sélectionneurs" dit : "Il faut être très précis. Ne mettez dans le filtre que les facteurs qui changent vraiment la maladie (comme l'âge ou le tabagisme). Si on met trop de choses, on risque d'ajouter du bruit."
2. L'équipe "LSPS" (Large-Scale Propensity Score) dit : "Non ! Mettez tout dans le filtre ! Tous les facteurs possibles avant le traitement. C'est comme si vous jetiez un filet géant pour attraper tous les poissons, même si vous attrapez quelques algues inutiles."

Le danger des "Algues" (les Instruments) :
Dans cette métaphore, les "algues" sont des variables qui influencent qui prend le médicament, mais qui n'ont aucun effet sur la guérison. En science, on les appelle des instruments.

• Exemple : Disons que le médicament est toujours prescrit par le Dr. X. Le fait d'être soigné par le Dr. X influence la prise du médicament, mais le nom du médecin ne guérit pas la maladie. C'est un "instrument".

La théorie dit : "Si vous ajoutez ces algues (instruments) dans votre filtre, vous risquez de déformer la vérité et de rendre votre estimation moins précise."

🔬 L'Expérience : Le Test de la Balance

Les auteurs de cet article ont créé une simulation informatique géante (un "monde virtuel") pour tester cette peur. Ils ont créé des millions de patients virtuels avec :

• Des facteurs de confusion réels (le vrai brouillard).
• Des "instruments" (les algues inutiles).

Ils ont ensuite appliqué le filtre "LSPS" (qui met tout dedans) et ont vérifié deux règles de sécurité (les diagnostics) :

1. La Règle du 0,5 : Si un facteur est trop lié au médicament (corrélation > 0,5), on l'enlève. C'est comme dire : "Si cette algue est collée au poisson, on la retire."
2. La Règle de l'Équilibre (Equipoise) : On vérifie si, globalement, les groupes sont équilibrés. Si le filtre crée un déséquilibre énorme, on arrête l'analyse.

📊 Les Résultats : La Surprise !

Voici ce qu'ils ont découvert, et c'est contre-intuitif :

1. Les algues ne font pas grand mal : Même quand les "instruments" (les algues) étaient très puissants et influençaient énormément qui prenait le médicament, leur ajout au filtre n'a presque pas déformé la vérité.
2. Le vrai danger, c'est le brouillard : Le fait de ne pas corriger les vrais facteurs de confusion (oublier l'âge, le tabac, etc.) crée une erreur énorme. Le fait d'ajouter quelques "instruments" inutiles crée une erreur minuscule en comparaison.
3. Le filtre géant gagne : Même avec des "algues" dedans, le filtre "LSPS" (qui prend tout) a donné un résultat beaucoup plus proche de la vérité que les méthodes qui essaient de sélectionner soigneusement quelques facteurs.

L'analogie du filet de pêche :
Imaginez que vous voulez pêcher des saumons (la vérité).

• La méthode "Sélectionneurs" utilise un petit filet très fin, mais ils ont peur de pêcher des algues. Ils essaient de ne pêcher que les saumons.
• La méthode "LSPS" utilise un filet géant. Ils savent qu'ils vont attraper quelques algues (instruments).
• Le résultat : Le filet géant attrape tellement plus de saumons (il corrige mieux le brouillard) que le petit filet, que le peu d'algues qu'il contient ne gâche pas le repas. En fait, le petit filet laisse passer trop de saumons (biais de confusion) !

💡 La Conclusion Simple

Cette étude nous dit : Ne soyez pas trop paranoïaques avec les "instruments".

Si vous utilisez les règles de sécurité modernes (comme vérifier que les liens ne sont pas trop forts et que l'équilibre est bon), vous pouvez vous permettre d'inclure beaucoup de données dans votre analyse sans avoir peur de fausser les résultats.

En résumé : Il vaut mieux avoir un peu de "bruit" (des instruments) dans un système qui corrige bien le "brouillard" (les vrais facteurs de confusion), que d'avoir un système très propre mais qui laisse passer le brouillard. La méthode "LSPS" est donc une excellente stratégie pour la recherche médicale réelle.

Résumé technique

1. Problématique

Dans la recherche observationnelle, l'ajustement par score de propension est une méthode standard pour corriger les biais de confusion. Cependant, un débat persiste concernant la sélection des covariables à inclure dans le modèle de score de propension. D'un côté, il existe une volonté d'inclure tous les covariables pré-traitements possibles pour capturer les facteurs de confusion inconnus. De l'autre, une préoccupation majeure existe : l'inclusion accidentelle de variables instrumentales (des variables associées au traitement mais non à l'issue).

La littérature théorique suggère que l'ajustement pour un instrument, en présence de confusion non ajustée, peut :

1. Augmenter le biais de l'estimation de l'effet (amplification du biais).
2. Augmenter la variance de l'estimateur.

Les méthodes actuelles comme le Large-Scale Propensity Score (LSPS) incluent massivement des covariables mais utilisent des diagnostics (corrélation et équipoise) pour rejeter les analyses si des instruments forts sont détectés. La question centrale de cet article est de quantifier l'impact réel des instruments qui sont suffisamment faibles pour passer ces diagnostics, mais qui restent dans le modèle.

2. Méthodologie

Les auteurs ont conçu une étude de simulation pour évaluer l'impact de l'ajustement pour un instrument dans un contexte de confusion non mesurée.

• Configuration de la simulation :
  • Variables : Un facteur de confusion mesuré ($X$), un instrument mesuré ($Z$), un instrument non mesuré ($U$), un traitement ($T$) et une issue ($Y$).
  • Génération des données : Les variables sont générées à partir de distributions normales. La force de la confusion est fixée ($C=1, D=1$), tout comme l'effet réel du traitement ($E=0.5$).
  • Variation des paramètres : La force de l'instrument mesuré ($B$) a été variée (de 1 à 7). Pour maintenir la variance totale du traitement constante, la force de l'instrument non mesuré a été ajustée en conséquence.
  • Scénarios de modèles : Quatre modèles de régression logistique ont été comparés :
    1. Modèle brut (aucune covariable).
    2. Ajustement pour l'instrument seul.
    3. Ajustement pour le facteur de confusion seul (référence pour l'estimation correcte).
    4. Ajustement pour le facteur de confusion ET l'instrument.
  • Diagnostics LSPS : Pour chaque scénario, les auteurs ont calculé le coefficient de corrélation de Pearson entre l'instrument et le traitement, ainsi que l'équipoise (un score mesurant la préférence de traitement, indiquant si des combinaisons de covariables agissent comme des instruments collectifs).
  • Étendue : Une première série avec un seul instrument, et une seconde série avec dix instruments simultanés. Taille de l'échantillon : 200 000 sujets.

3. Contributions Clés

• Quantification empirique du risque : L'article fournit des données chiffrées sur la relation entre la force d'un instrument, les seuils de diagnostic du LSPS (corrélation > 0,5, équipoise < 0,5) et l'augmentation du biais/variance.
• Validation des seuils du LSPS : L'étude teste spécifiquement si les seuils actuels du LSPS sont suffisants pour protéger contre les biais induits par les instruments.
• Comparaison des stratégies : Elle démontre que l'ajustement pour un instrument, même en présence de confusion non résolue, ajoute moins de biais que la confusion elle-même, tant que l'instrument reste sous les seuils de détection.

4. Résultats Principaux

• Impact sur le Biais :

  • L'estimation brute (sans ajustement) présentait un biais dû à la confusion (estimation à 0,6 au lieu de 0,5).
  • L'ajustement pour l'instrument seul a augmenté le biais, mais de manière limitée. Même lorsque la variance du traitement expliquée par l'instrument était plus de 20 fois supérieure à celle du facteur de confusion non ajusté (au point où la corrélation atteignait 0,5), l'ajustement pour l'instrument n'a augmenté le biais total que de 50 % par rapport au biais de confusion initial.
  • L'ajustement simultané pour le facteur de confusion et l'instrument a permis de retrouver l'estimation non biaisée (0,5).

• Impact sur la Variance :

  • L'ajustement pour l'instrument a augmenté la variance de l'estimateur, mais cette augmentation restait inférieure à 50 % de la variance de base, même à des niveaux de corrélation proches du seuil de rejet (0,5).
  • Dans le scénario à 10 instruments, même avec une équipoise de 0,475 (indiquant une forte agrégation d'effets instrumentaux), le biais n'a jamais dépassé le biais causé par la confusion seule.

• Efficacité des diagnostics :

  • Le seuil de corrélation de 0,5 et le seuil d'équipoise de 0,5 se sont révélés être des garde-fous efficaces. En dessous de ces seuils, l'inclusion d'instruments dans le modèle a un impact négligeable sur la précision globale par rapport au risque de laisser des facteurs de confusion non ajustés.

5. Signification et Conclusion

Cette étude soutient la stratégie du Large-Scale Propensity Score (LSPS) qui privilégie l'inclusion d'un grand nombre de covariables plutôt qu'une sélection manuelle rigoureuse et restrictive.

• Réconciliation théorie/pratique : Bien que la théorie indique que les instruments amplifient le biais, la simulation montre que dans des conditions réalistes (où les instruments sont faibles ou modérés et passent les diagnostics), le coût de l'inclusion d'un instrument est bien inférieur au coût de l'omission d'un facteur de confusion.
• Supériorité de l'approche "Large-Scale" : Les résultats confirment que les approches empiriques incluant massivement des covariables (comme le LSPS) produisent des résultats moins biaisés que les méthodes de sélection manuelle ou les méthodes de sélection empirique plus restreintes (comme le hdPS), même si cela implique d'inclure occasionnellement des instruments faibles.
• Recommandation : Les auteurs concluent que la quête de l'ajustement pour les facteurs de confusion doit primer sur la peur d'inclure des instruments, à condition que les diagnostics de corrélation et d'équipoise soient respectés. Cela valide l'usage de modèles à grande échelle dans la recherche médicale observationnelle.