📊 statistiques

Regression-Based Causal Inference for Person-Specific Effects in Within-Subject Randomization Designs

Cet article propose un cadre d'inférence causale basé sur la régression utilisant les moindres carrés ordinaires avec des indicateurs de traitement pondérés par la probabilité pour estimer les effets immédiats et à l'indice de retard 1 propres à chaque individu dans les plans randomisés intra-sujets, démontrant sa robustesse et son applicabilité à travers des études de simulation et des exemples empiriques.

Auteurs originaux : Chendong Li, Wen Luo

Publié 2026-10-19

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Chendong Li, Wen Luo

Article original sous licence CC BY 4.0 (https://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

Dans le monde de la recherche psychologique et comportementale, les scientifiques s'appuient depuis longtemps sur une méthode standard pour prouver l'efficacité d'un traitement : l'essai contrôlé randomisé. Dans cette configuration classique, un groupe important de personnes est divisé en équipes distinctes. Une équipe reçoit une nouvelle intervention, comme une thérapie spécifique ou une application de santé, tandis qu'une autre équipe reçoit un traitement différent ou rien du tout. En comparant les résultats moyens de ces deux groupes, les chercheurs peuvent déterminer si le traitement a provoqué un changement. Cependant, cette approche présente un angle mort important. Elle nous indique ce qui fonctionne en moyenne pour une foule, mais elle échoue souvent à révéler ce qui fonctionne pour un individu spécifique. Un médicament peut aider une personne à guérir rapidement tout en n'ayant aucun effet sur une autre, pourtant l'essai standard se contenterait de rapporter la moyenne, masquant potentiellement ces différences vitales. De plus, recruter suffisamment de personnes pour ces études de grande envergure est souvent difficile, et de nombreux essais peinent à trouver assez de participants pour parvenir à une conclusion fiable.

Pour résoudre ce problème, les chercheurs se sont tournés vers un autre type d'expérience où la même personne sert de propre témoin. Au lieu de comparer des personnes différentes, les scientifiques observent un seul individu de manière répétée au fil du temps, en changeant aléatoirement les conditions qu'il expérimente. C'est ce qu'on appelle un plan de randomisation intra-sujet. Imaginez une personne souffrant d'une maladie chronique qui essaie une nouvelle thérapie pendant quelques jours, puis passe à une autre, puis revient à la première, l'ordre étant décidé par le hasard. Cela permet aux chercheurs de voir comment cette personne spécifique réagit à chaque traitement en temps réel. Le défi, cependant, a été de trouver comment analyser ce flux complexe de données. Parce que les traitements se succèdent, le résultat d'un jour peut être influencé par le traitement de la veille, ou par une tendance lente dans le comportement de la personne au fil du temps. Les outils statistiques traditionnels ont souvent du mal à démêler ces effets immédiats de ces influences persistantes, laissant les chercheurs avec des descriptions de ce qui s'est passé, mais sans preuve causale claire de pourquoi cela s'est produit.

Une équipe de chercheurs a maintenant développé une nouvelle façon de répondre à ces questions en utilisant un outil familier : l'analyse de régression, une méthode statistique courante utilisée pour trouver des relations entre des variables. Leur travail, publié dans un article de recherche, crée un pont entre la logique rigoureuse du design expérimental et les outils pratiques que les psychologues utilisent quotidiennement. Les auteurs, Chendong Li et Wen Luo, proposent un cadre qui traite le changement aléatoire de traitements non pas seulement comme un calendrier, mais comme un motif mathématique connu qui peut être utilisé pour isoler la cause et l'effet. En ajustant soigneusement les données pour tenir compte des probabilités spécifiques de l'attribution d'un traitement, ils peuvent utiliser un modèle de régression standard pour calculer deux types d'effets distincts. Le premier est l'effet immédiat : à quel point un traitement modifie le comportement d'une personne juste après avoir été administré. Le second est l'effet décalé (lagged effect) : à quel point un traitement de la veille continue d'influencer le comportement d'aujourd'hui.

Les chercheurs ont testé leur nouvelle méthode à travers deux simulations informatiques à grande échelle, qui agissent comme des laboratoires virtuels où ils peuvent générer des milliers de faux ensembles de données pour voir comment leurs formules se comportent sous différentes conditions. Dans la première simulation, ils ont modélisé un scénario avec trois options de traitement différentes, une configuration courante dans les études de santé modernes. Ils ont constaté que leur méthode pouvait récupérer avec précision les effets réels de chaque traitement avec très peu d'erreurs, même lorsque les données contenaient des tendances complexes. La précision s'est améliorée à mesure que le nombre de points d'observation augmentait, suggérant que la méthode est robuste pour les études sur de longues périodes. Dans la seconde simulation, ils ont abordé un scénario plus difficile où la randomisation était restreinte. Dans de nombreuses études du monde réel, les chercheurs ne peuvent pas permettre à une personne de recevoir le même traitement pendant trop de jours consécutifs, car cela pourrait devenir ennuyeux ou impraticable. Cette restriction modifie la mathématique de l'expérience. Les simulations ont montré que sans un ajustement spécifique pour ces règles, la méthode produirait des résultats biaisés, particulièrement pour les effets décalés. Cependant, lorsque les chercheurs ont ajouté un ajustement de probabilité à leur modèle pour tenir compte de ces restrictions, le biais a disparu et les estimations sont redevenues précises.

Pour prouver que la méthode fonctionne dans le monde réel, l'équipe l'a appliquée à deux ensembles de données existants. Le premier provient d'une étude sur l'activité physique appelée HeartSteps, où un participant recevait des suggestions aléatoires de marcher ou d'éviter de rester assis. En utilisant leur nouveau cadre, les chercheurs ont calculé qu'une suggestion de marche entraînait une augmentation immédiate d'environ 129 pas dans les 30 minutes suivantes, tandis qu'une suggestion anti-sédentarité entraînait une augmentation d'environ 143 pas. Ces deux augmentations n'étaient pas statistiquement significatives en soi, ce qui signifie que les données n'étaient pas assez fortes pour exclure le hasard, mais la méthode a réussi à produire des chiffres clairs et interprétables. Le second exemple provient d'une étude spécialisée en éducation impliquant un enfant atteint de troubles du spectre de l'autisme. L'enfant alternait entre un exercice cognitif et une activité de contrôle. L'analyse a révélé que l'exercice cognitif réduisait immédiatement les comportements problématiques de près de 19 points de pourcentage par rapport au contrôle. La méthode a également vérifié les effets persistants de la session précédente, mais n'a trouvé aucune preuve claire que le traitement précédent ait influencé le comportement du jour actuel.

L'étude souligne que bien que la méthode soit puissante, elle a des limites, particulièrement lorsque les séries de données sont très courtes. Dans les simulations impliquant une randomisation restreinte, les chercheurs ont constaté qu'avec moins de 30 points d'observation, les intervalles de confiance — la plage de valeurs où se situe probablement la valeur réelle — étaient parfois trop étroits, entraînant un risque plus élevé de fausses alertes. Cela suggère que, bien que la méthode soit une avancée majeure pour l'analyse des données au niveau individuel, les chercheurs doivent être prudents lorsqu'ils tirent des conclusions fortes d'études très brèves. Les auteurs soulignent que leur approche ne suppose pas que les données suivent un schéma linéaire parfait ; au contraire, elle utilise les règles connues de la randomisation pour extraire le signal causal du bruit. En connectant directement le design de l'expérience à l'analyse de régression, ils ont fourni un moyen aux scientifiques de dépasser les simples moyennes et de comprendre les effets uniques et spécifiques à la personne des traitements. Ce cadre offre une voie d'avenir pour la médecine personnalisée et les sciences comportementales, permettant aux chercheurs de ne pas seulement demander « est-ce que cela fonctionne ? », mais « est-ce que cela fonctionne pour cette personne, en ce moment, et pendant combien de temps ? ».

Résumé Technique : Inférence Causale Basée sur la Régression pour les Effets Spécifiques à la Personne dans les Plans de Randomisation Intra-Sujet

Énoncé du Problème

Dans la recherche psychologique et comportementale, les interventions présentent souvent des effets hétérogènes, bénéficiant à certains individus tout en ayant peu d'impact sur d'autres. Les essais contrôlés randomisés (ECR) inter-sujets traditionnels peinent à estimer ces effets spécifiques à la personne car ils moyennent les résultats entre les participants, chaque individu ne recevant qu'une seule condition. Cependant, les plans de randomisation intra-sujet (par exemple, les essais micro-randomisés, les essais N-de-1 et les plans de traitements alternés randomisés) offrent une solution en assignant de manière répétée des conditions au même sujet au fil du temps. Ces méthodes reposent souvent sur des résumés descriptifs (par exemple, différences de moyennes, analyse visuelle) ou des tests statistiques simples. Ces méthodes échouent fréquemment à séparer rigoureusement les effets du traitement des tendances temporelles, de la dépendance sérielle ou de l'exposition préalable au traitement. De plus, les cadres d'inférence causale existants pour ces plans, tels que la pondération par l'inverse de la probabilité (IPW), peuvent être complexes sur le plan computationnel ou moins intuitifs pour les chercheurs appliqués habitués aux outils de régression. En outre, les estimateurs standards basés sur la régression développés pour les traitements binaires sans restriction ne s'appliquent pas directement aux plans comportant plusieurs bras de traitement ou des schémas de randomisation restreints (par exemple, empêcher de longues séries de la même condition), qui sont courants dans la recherche comportementale.

Méthodologie

Les auteurs développent un cadre d'inférence causale basé sur la régression, fondé sur le cadre des résultats potentiels. L'innovation centrale consiste à transformer les indicateurs de traitement en fonction des probabilités d'assignation connues afin d'estimer les effets causaux par régression des moindres carrés ordinaires (MCO), permettant ainsi de conserver une interprétation causale basée sur le plan sans que le modèle de régression ne doive être le véritable processus générateur de données.

1. Estimands Causaux

L'étude définit deux effets causaux primaires pour les plans intra-sujets :

Effet Immédiat Moyen ( $\bar{\Delta}^{(0)}$ ) : La différence attendue de résultat au temps $t$ entre l'assignation du traitement et celle du contrôle, moyennée sur les historiques de traitement antérieurs.
Effet de Décalage de Rang 1 Moyen ( $\bar{\Delta}^{(1)}$ ) : La différence attendue de résultat au temps $t$ attribuable au traitement assigné au temps $t-1$ , en maintenant constant le traitement actuel, moyennée sur les historiques et les assignations actuelles.

2. Stratégie d'Estimation

La méthode consiste à construire des régressions MCO « de travail » où les prédicteurs sont des indicateurs de traitement transformés.

Conceptions Binaires et Sans Restriction : Les indicateurs de traitement ( $W_t$ ) sont centrés par leur probabilité d'assignation ( $p_t$ ) et mis à l'échelle par la variance d'assignation ( $v_t = p_t(1-p_t)$ ). Le prédicteur transformé est $\tilde{W}_t = (W_t - p_t) / v_t$ . Le modèle de régression est $Y_t = b_0\tilde{W}_t + b_1\tilde{W}_{t-1} + e_t$ . Les coefficients sont ensuite remis à l'échelle par l'inverse de la variance moyenne pour récupérer les effets causaux.
Extension I : Interventions à Plusieurs Bras : Pour $J$ conditions, l'indicateur scalaire est remplacé par un vecteur d'indicateurs de traitement. Ceux-ci sont centrés et mis à l'échelle à l'aide de l'inverse de la matrice de covariance d'assignation ( $\Sigma_t^{-1}$ ), qui rend compte de la corrélation négative entre les assignations de traitements mutuellement exclusifs. Les estimations de régression produisent un vecteur d'effets immédiats et de décalage de rang 1 par rapport à une condition de référence.
Extension II : Randomisation Restreinte : Dans les plans où les probabilités d'assignation dépendent de l'historique (par exemple, « pas plus de deux sessions consécutives de la même condition »), certaines assignations deviennent déterministes ( $p_t = 0$ ou $1$). Les auteurs proposent une régression ajustée par la probabilité qui inclut la probabilité conditionnelle $p_t$ (et potentiellement $p_{t-1}$ ) comme covariable supplémentaire pour tenir compte de la dépendance créée par la restriction. Les occasions déterministes sont codées comme zéro dans les prédicteurs transformés mais sont conservées dans la régression pour maintenir la taille de l'échantillon, bien qu'elles ne contribuent pas au contraste randomisé.

3. Inférence

L'incertitude est estimée à l'aide d'estimateurs de covariance robustes. Les auteurs évaluent deux options :

Newey–West HAC : Prend en compte l'hétéroscédasticité et la corrélation sérielle.
HC3 : Un estimateur robuste à l'hétéroscédasticité qui est performant dans les petits échantillons avec un fort levier (leverage).
Les erreurs standards sont également remises à l'échelle en utilisant les mêmes facteurs que ceux appliqués aux estimations ponctuelles pour rapporter les intervalles de confiance sur l'échelle de l'effet causal.

Contributions Clés

Extension du Cadre : L'article étend l'estimateur causal basé sur la régression (précédemment limité aux conceptions binaires sans restriction) aux interventions à plusieurs bras et aux schémas de randomisation restreinte, qui sont prévalents dans les études de cas uniques et les essais micro-randomisés.
Ajustement par la Probabilité : Il introduit une formulation de régression spécifique pour la randomisation restreinte qui inclut des termes de probabilité basés sur le plan ( $p_t$ ) comme covariables. Cet ajustement s'est avéré nécessaire pour éliminer le biais des estimations d'effets de décalage lorsque les probabilités d'assignation dépendent de l'historique.
Intégration d'Outils : L'approche fait le pont entre l'inférence causale basée sur le plan et les outils familiers de la régression MCO, rendant l'estimation causale rigoureuse plus accessible aux chercheurs appliqués sans nécessendre la construction de variables de résultats pondérées complexes.

Résultats de Simulation

Deux études de Monte Carlo ont évalué les estimateurs proposés :

Simulation I (Plusieurs Bras) : Dans une conception à trois conditions, l'estimateur proposé a démontré un faible biais pour les effets immédiats et de décalage de rang 1 dans la plupart des conditions. Le biais était légèrement plus élevé dans les séries courtes mais diminuait à mesure que le nombre de points temporels ( $T$ ) augmentait. La performance de l'inférence (couverture et erreur de Type I) s'améliorait avec des séries plus longues ; cependant, les erreurs standards HAC avaient tendance à sous-couvrir dans les séries courtes, tandis que le HC3 était plus conservateur.
Simulation II (Randomisation Restreinte) :
- Biais : L'estimateur non ajusté par la probabilité présentait un biais négatif substantiel pour les effets de décalage de rang 1. En revanche, l'estimateur ajusté par la probabilité a permis de récupérer les effets immédiats et de décalage de rang 1 avec un biais négligeable.
- Inférence : Bien que les estimations ponctuelles soient sans biais, l'inférence reste difficile dans les séries courtes. Les erreurs standards HAC entraînaient une sous-couverture et des taux d'erreur de Type I gonflés, particulièrement pour les effets de décalage de rang 1. Les erreurs standards HC3 contrôlaient mieux l'erreur de Type I mais étaient conservatrices (puissance plus faible).

Démonstrations Empiriques

Les auteurs ont appliqué les méthodes à deux ensembles de données réels :

HeartSteps (Essai Micro-Randomisé) : Analyse des données d'un seul participant pour estimer les effets immédiats et de décalage de rang 1 de la marche versus les suggestions anti-sédentarité sur le nombre de pas. Les résultats ont fourni des estimations interprétables de l'augmentation des pas, bien que les intervalles de confiance soient larges et incluent zéro.
Plan de Traitement Alterné Restreint (Éducation Spécialisée) : Analyse des données d'un enfant atteint de troubles du spectre de l'autisme comparant un exercice cognitif à un contrôle. L'estimateur ajusté par la probabilité a indiqué une réduction immédiate significative des comportements problématiques pour la condition de traitement, mais n'a trouvé aucune preuve claire d'un effet de décalage de rang 1 (résiduel).

Signification et Revendications

L'article prétend fournir un cadre méthodologiquement rigoureux mais pratiquement accessible pour estimer les effets causaux spécifiques à la personne dans les plans de randomisation intra-sujet. En connectant les outils de régression familiers avec la logique de l'inférence causale basée sur le plan, les auteurs soutiennent qu'ils permettent aux chercheurs d'isoler plus efficacement les effets du traitement des tendances temporelles et de la dépendance sérielle sans dépendre d'hypothèses fortes sur le processus générateur de données.

Les auteurs reconnaissent modestement les limites :

Inférence en Séries Courtes : L'inférence dans les séries restreintes courtes reste difficile, avec un risque de sous-couverture des intervalles de confiance et de taux d'erreur de Type I gonflés, particulièrement pour les effets de décalage.
Données Manquantes : Le cadre actuel suppose des données complètes ; des travaux futurs sont nécessaires pour intégrer des stratégies pour les données manquantes.
Lacunes Théoriques : La théorie asymptotique pour les plans de randomisation restreinte est encore sous-développée, et la cohérence de l'estimateur ajusté par la probabilité sous toutes les conditions de restriction nécessite une plus grande dérivation théorique.
Focus sur l'Unité Unique : Le cadre actuel analyse un seul sujet à la fois ; étendre cela pour estimer l'hétérogénéité entre plusieurs unités est une direction pour les recherches futures.

L'étude conclut que bien que les estimateurs proposés réduisent efficacement les biais, les chercheurs doivent interpréter les résultats d'inférence dans les plans restreints courts avec prudence, particulièrement lorsqu'ils examinent les effets de décalage.