Transport G-Computation: A Distributional Approach to Longitudinal Causal Inference via Optimal Transport

Résumé technique : Transport G-Computation (TGC)

Énoncé du problème
L'inférence causale longitudinale utilisant des données de santé observationnelles est confrontée à des défis importants, principalement en raison du biais de confusion dépendant du temps, des boucles de rétroaction entre l'assignation du traitement et l'évolution de l'état du patient, ainsi que de l'hétérogénéité des distributions de résultats post-intervention. Les méthodes conventionnelles de g-computation longitudinale se concentrent généralement sur l'estimation d'effets de niveau moyen (par exemple, les effets moyens du traitement). Cependant, dans de nombreux contextes cliniques, les interventions peuvent modifier la forme, la dispersion ou la multimodalité des distributions de résultats plutôt que de simplement déplacer la moyenne. De plus, la g-computation paramétrique repose fortement sur la spécification correcte des modèles de transition conditionnels ; lorsque les données présentent une non-linéarité, une multimodalité, une hétéroscédasticité ou des structures de rétroaction complexes, ces modèles échouent souvent, entraînant un biais systématique. Il existe un besoin pour un cadre capable d'estimer des effets causaux distributionnels tout en gérant de manière robuste les dépendances dynamiques complexes sans dépendre d'hypothèses paramétriques globales rigides.

Méthodologie : Transport G-Computation (TGC)
Les auteurs proposent le Transport G-Computation (TGC), un cadre distributionnel qui intègre la g-computation longitudinale avec la théorie du transport optimal (OT). L'objectif central est d'estimer l'Effet Causal de Wasserstein (WCE), défini comme la distance de Wasserstein de second ordre ($W_2$) entre les distributions de résultats potentiels terminaux sous deux régimes d'intervention statiques ($A_t \equiv 1$ et $A_t \equiv 0$).

L'algorithme TGC procède comme suit :

1. Identification : Sous des hypothèses standards (Consistance, Ignorabilité Séquentielle et Positivité), la distribution terminale est identifiée via la formule g longitudinale.
2. Estimation de la transition locale : Au lieu de ajuster un modèle paramétrique global pour le noyau de transition conditionnel $\mathbb{P}(L_{t+1} | L_t, A_t)$, le TGC construit une approximation non paramétrique à chaque point temporel et pour chaque niveau de traitement.
   • Il extrait une bibliothèque de transitions empiriques à partir de paires de données observées $(L_t, L_{t+1})$ où $A_t = a$.
   • Pour un état de requête, il identifie les plus proches voisins locaux pour former un sous-échantillon, limitant l'estimation à la région observée pour atténuer le biais de haute dimension.
   • Il résout un problème de transport optimal régularisé par l'entropie sur ce sous-échantillon local pour générer un couplage de « correspondance douce » (soft-matching) entre les états sources et cibles. Cela préserve la multimodalité et la structure stochastique de la distribution empirique.
   • Des poids de noyau gaussien sont appliqués aux états sources locaux, et le couplage OT est normalisé par ligne pour former une distribution conditionnelle locale.
3. Simulation récursive : En partant d'échantillons d'états initiaux, l'algorithme simule de manière récursive des trajectoires sous des interventions statiques en échantillonnant à partir des distributions conditionnelles locales estimées à chaque étape.
4. Estimation de l'effet : La distance de Wasserstein est calculée entre les distributions terminales empiriques des deux bras d'intervention.
5. Gestion de la positivité : La méthode vérifie explicitement la suffisance de l'échantillon dans les voisinages locaux. Si la taille de l'échantillon effectif tombe en dessous d'un seuil, l'algorithme signale une violation de la positivité plutôt que d'extrapoler, évitant ainsi des estimations spéculatives dans les régions non identifiables.

Contributions clés

1. Cible causale distributionnelle : Le papier introduit la distance de Wasserstein comme un estimand formel pour les effets causaux longitudinaux, capturant les changements de localisation, d'étalement et de forme, plutôt que de se concentrer uniquement sur les moyennes.
2. Cadre novateur : Il propose le TGC, qui combine le lissage par noyau local avec le couplage de transport optimal pour estimer les distributions terminales sous interventions statiques sans hypothèses paramétriques globales.
3. Analyse théorique : Les auteurs fournissent des preuves d'identification pour le WCE sous des hypothèses causales standards et analysent les propriétés d'approximation de l'estimateur de transition locale. Ils établissent que l'erreur terminale est bornée par la somme des erreurs d'estimation locales, soulignant l'importance de la stabilité à chaque étape récursive.
4. Capacité de diagnostic : La méthode inclut un mécanisme explicite pour diagnostiquer et rapporter les violations de positivité, empêchant l'extrapolation incontrôlée.

Résultats
La performance du TGC a été évaluée par rapport à la g-computation paramétrique à travers quatre scénarios de simulation (100 réplications chacun) :

• Scénario Gaussien Linéaire : La g-computation paramétrique a surpassé le TGC (RMSE 0,075 vs 0,659), indiquant que lorsque le modèle réel est linéaire et correctement spécifié, l'approche paramétrique est supérieure, et que le TGC introduit un biais de lissage inutile.
• Scénario de Mélange Gaussien : La g-computation paramétrique est restée plus précise (RMSE 0,080 vs 0,252). Le TGC n'a pas démontré l'avantage anticipé pour capturer les structures multimodales dans ces réglages spécifiques, suggérant une sensibilité aux hyperparamètres tels que la taille du voisinage et la force de régularisation.
• Scénario de Rétroaction avec Confusion : Le TGC a montré son plus grand avantage, réduisant significativement l'RMSE de 1,821 (paramétrique) à 0,486. Dans ce cadre complexe de rétroaction dynamique, l'approche OT locale a efficacement atténué le biais systématique causé par la spécification erronée du modèle de base paramétrique.
• Scénario Hétéroscédastique Non Linéaire : Les deux méthodes ont présenté des erreurs substantielles (RMSE ~3,65 pour les deux), indiquant qu'aucune des approches ne capture pleinement les structures distributionnelles complexes dans ce cadre spécifique.
• Coût Computationnel : Le TGC était sensiblement plus lent, nécessitant environ 136–235 secondes par réplication contre environ 1,1 seconde pour la méthode paramétrique, ce qui représente un surcoût d'environ deux ordres de grandeur.
• Stabilité : Les deux méthodes ont atteint un taux d'échec de 0 % dans tous les scénarios, le TGC évitant avec succès l'effondrement de la positivité grâce à ses diagnostics explicites.

Signification et Revendications
Le papier conclut que le TGC n'est pas un remplacement universelement supérieur à la g-computation paramétrique. Sa valeur principale réside dans les scénarios caractérisés par une rétroaction de confusion dynamique et des transitions distributionnelles complexes où les modèles paramétriques sont sujets à une spécification erronée. Dans ces contextes, le TGC offre une approche plus robuste, flexible et interprétable de l'inférence causale distributionnelle.

Cependant, les auteurs reconnaissent modestement que dans les contextes linéaires simples et correctement spécifiés, les méthodes paramétriques traditionnelles restent préférables en raison d'un biais et d'une variance moindres. Ils notent également que le TGC nécessite actuellement des coûts de calcul importants et un réglage minutieux des hyperparamètres. La méthode est positionnée comme un outil spécialisé pour la recherche médicale observationnelle où l'accent est mis sur les changements distributionnels et là où les structures de rétroaction compliquent la modélisation standard, plutôt que comme une solution par défaut pour tous les problèmes de causalité longitudinale. Des travaux futurs sont identifiés comme nécessaires pour améliorer l'efficacité, la sélection des hyperparamètres et la mise en œuvre pratique.