Appariement par score de propension
- Introduite par
- Paul Rosenbaum and Donald Rubin
- Année
- 1983
- Type
- Method
- Famille
- causal-inference
Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais
À quoi sert-elle ?
L'appariement par score de propension (PSM) est une méthode de réduction du biais de confusion dans les études observationnelles en équilibrant les caractéristiques de base entre les groupes de traitement, simulant ainsi la randomisation.
Développée par Rosenbaum et Rubin (1983), elle estime la probabilité de recevoir un traitement étant donné les covariables observées, puis apparie ou pondère les individus traités et témoins ayant des probabilités de traitement similaires. Largement utilisée en médecine, en épidémiologie et dans l'évaluation des politiques lorsque les essais randomisés sont infaisables ou contraires à l'éthique, elle permet d'estimer les effets du traitement tout en contrôlant le biais de sélection.
L’intuition derrière la méthode
Les essais randomisés équilibrent automatiquement les caractéristiques de base, permettant l'inférence causale. Les études observationnelles manquent de randomisation ; les individus traités diffèrent souvent systématiquement des non-traités (biais de sélection). La comparaison des résultats entre les groupes de traitement confond les effets du traitement avec les différences préexistantes. L'appariement par score de propension (PSM) estime la probabilité que chaque personne reçoive le traitement étant donné ses caractéristiques de base. En appariant les individus traités et non traités ayant des scores de propension similaires (probabilités de traitement), le PSM crée deux groupes comparables à la base, imitant la randomisation. Cela élimine le biais de confusion pour les covariables mesurées, permettant une inférence causale valide. L'hypothèse clé : indépendance conditionnelle — étant donné les covariables observées, l'assignation au traitement est aléatoire (pas de confusion non mesurée).
Histoire
L'article fondateur de Paul Rosenbaum et Donald Rubin (1983) a unifié l'appariement et l'inférence causale via le cadre des résultats potentiels (Rubin, 1974). Ils ont prouvé que l'appariement par score de propension atteint l'équilibre des covariables, réduisant le biais. Les travaux de Peter Austin (années 2010) ont fait progresser les diagnostics d'équilibre et les méthodes de pondération. Les extensions modernes incluent : le score de propension généralisé pour les traitements continus (Hirano & Imbens, 2004), les méthodes doublement robustes combinant les modèles de propension et de résultats (van der Laan & Robins, 2003), l'estimation par maximum de vraisemblance ciblée (TMLE ; van der Laan & Rose, 2011).
Quand l’utiliser
Utiliser l'appariement par score de propension lors de la conduite d'études observationnelles et de l'impossibilité de randomiser, mais lorsque tous les facteurs de confusion sont mesurés. Recherche médicale : évaluation de l'efficacité des traitements (chirurgie vs soins conservateurs) en comparant les résultats de patients traités/non traités appariés avec des caractéristiques de base similaires. Évaluation des politiques : évaluation de l'impact des programmes (par exemple, formation professionnelle sur l'emploi) en comparant les participants et les non-participants appariés. Épidémiologie : estimation du risque de maladie associé à une exposition tout en contrôlant les caractéristiques de base. Prérequis : avoir collecté suffisamment de données de base sur les facteurs de confusion avant l'assignation au traitement ; le biais de confusion non mesuré (par exemple, gravité non mesurée de la maladie) reste une menace.
Limites et points d’attention
- Hypothèse d'indépendance conditionnelle : valide uniquement si tous les facteurs de confusion pertinents sont mesurés. Le biais de confusion non mesuré (par exemple, gravité non mesurée de la maladie, préférence du patient) reste une menace ; le PSM ne peut ni le détecter ni le corriger.
- Inefficacité : l'appariement réduit la taille de l'échantillon (individus non appariés écartés) ; les analyses appariées sont moins puissantes statistiquement que la régression non appariée.
- Chevauchement limité : si les populations traitées et non traitées ont des distributions de covariables très différentes, la région de chevauchement est petite ; les estimations sont limitées à la région de chevauchement uniquement.
- Dépendance du modèle : les estimations du score de propension dépendent de la spécification correcte de la régression logistique ; une mauvaise spécification (interactions omises, relations non linéaires) entraîne un mauvais équilibre.
- Perte d'information : l'appariement un-à-un écarte des individus non appariés potentiellement informatifs ; l'appariement plusieurs-à-un ou la pondération conservent toutes les données.
Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.
Points forts
- Réduit le biais de confusion : en créant des groupes équilibrés sur les facteurs de confusion mesurés, le PSM imite la randomisation pour ces variables, permettant l'inférence causale.
- Interprétable : le score de propension est un scalaire unique qui réduit de nombreuses covariables ; il est transparent de quelle manière l'équilibre des covariables est atteint.
- Flexible : fonctionne avec des traitements binaires ou multiples ; s'étend aux traitements continus (score de propension généralisé).
- Diagnostic : l'évaluation de l'équilibre des covariables (SMD, graphiques d'amour) fournit des preuves claires de la réduction du biais ; le déséquilibre est visible avant l'analyse des résultats.
- Doublement robuste : lorsqu'il est combiné avec la régression des résultats, l'estimateur est cohérent si le modèle de propension ou le modèle des résultats est correct (résilience à la mauvaise spécification).
Applications
- Recherche sur l'efficacité comparative : évaluation des résultats de traitement (médicament A vs B, prise en charge chirurgicale vs médicale) dans les dossiers de santé électroniques sans randomisation expérimentale.
- Évaluation des politiques : évaluation de l'impact des programmes (formation professionnelle, interventions scolaires) sur les résultats (emploi, revenus) en comparant les participants au programme avec des non-participants appariés.
- Études de cohortes épidémiologiques : estimation du risque de maladie lié aux expositions (tabagisme, alimentation) dans des données observationnelles tout en ajustant pour les facteurs de confusion démographiques et liés au mode de vie.
- Études d'impact économique : évaluation des effets des changements réglementaires, des politiques fiscales ou des réformes des soins de santé sur les résultats individuels ; équilibrage des états traités et de contrôle.
- Efficacité des vaccins : comparaison des résultats (taux d'infection, gravité de la maladie) chez les personnes vaccinées et non vaccinées, appariées sur les facteurs de risque de base lorsque les essais contrôlés randomisés sont infaisables.
Comment ça marche
Comment ça marche
Administrer l'appariement par score de propension en : (1) identifiant le résultat d'intérêt, la variable de traitement (binaire ou multiple), et tous les facteurs de confusion pertinents (caractéristiques de base qui affectent à la fois le traitement et le résultat), (2) collectant les données de covariables sur tous les participants, (3) vérifiant l'hypothèse de chevauchement : les groupes de traitement et de contrôle doivent avoir des plages de scores de propension qui se chevauchent ; l'absence de chevauchement indique une incomparabilité fondamentale, (4) définissant l'échantillon : intention de traiter (analyser dans les groupes d'origine) ou per-protocole (analyser l'échantillon apparié ; les affirmations de causalité nécessitent de la prudence). Assurer une taille d'échantillon adéquate : le PSM réduit la taille effective de l'échantillon par appariement, commencez donc avec un N plus grand qu'un essai contrôlé randomisé équivalent.
Estimer les scores de propension : utiliser la régression logistique pour prédire la probabilité d'assignation au traitement étant donné toutes les covariables mesurées. p_i = P(Traitement=1 | Covariables). Le score de propension est un scalaire (0-1) qui réduit plusieurs covariables en une seule dimension. Ensuite, apparier les individus traités (score p) avec les non-traités (score q) si |p − q| < caliper (tolérance, typiquement 0,1 × écart-type du logit du score de propension) ; approches courantes : appariement par plus proche voisin 1:1, plus proche voisin 1:m, ou appariement par caliper. Alternative à l'appariement : pondération par score de propension (pondération par l'inverse de la probabilité de traitement, IPTW). Pondérer les individus traités par 1/p_i (surpondérer les traités sous-représentés) et les contrôles par 1/(1−p_i) ; produit une pseudo-population où le traitement est indépendant des covariables. Vérifier l'équilibre des covariables : la différence moyenne standardisée (SMD) des covariables entre les groupes doit être < 0,1 (idéalement < 0,05) après appariement ; sinon, augmenter le caliper ou inclure plus de covariables dans le modèle de propension. Rapporter l'équilibre avant/après via des graphiques SMD.
Après appariement ou pondération, comparer les résultats entre les groupes de traitement en utilisant des méthodes standard (test t, régression, analyse de survie) sur l'échantillon apparié/pondéré. L'effet moyen du traitement sur les traités (ATT) est la différence des résultats dans l'échantillon apparié ; si l'appariement est réussi (équilibre de base atteint), cette différence n'est pas confondue par les covariables mesurées. Rapporter : (1) l'équilibre des covariables avant et après appariement (tableaux ou graphiques SMD), (2) le nombre de paires appariées/non appariées, (3) l'effet du traitement (différence des résultats), (4) les intervalles de confiance et les valeurs p, (5) l'analyse de sensibilité au biais de confusion non mesuré (par exemple, bornes de Rosenbaum). Examiner le support commun : proportion de traités ayant des scores de propension supérieurs au score minimum des non-traités et inférieurs au score maximum des non-traités ; un faible chevauchement invalide les estimations. Utiliser l'ajustement par régression sur l'échantillon apparié comme contrôle supplémentaire des facteurs de confusion (estimation doublement robuste).
Pièges courants
- Appariement sur le résultat : biaise les estimations vers zéro (réduit la puissance). La modélisation du score de propension doit inclure les facteurs de confusion (variables prédisant à la fois le traitement et le résultat), et non les médiateurs ou les conséquences.
- Échec de la vérification du chevauchement : procéder à l'appariement lorsque les distributions des scores de propension des groupes traités et de contrôle ne se chevauchent pas. Toujours vérifier et rapporter le support commun ; les estimations en dehors du chevauchement sont des extrapolations peu fiables.
- Ignorer l'équilibre des covariables : supposer que l'appariement a fonctionné sans examiner les différences moyennes standardisées. Toujours rapporter les diagnostics d'équilibre (graphiques SMD, graphiques d'amour) ; le déséquilibre indique la nécessité d'une approche alternative.
- Analyser l'échantillon complet au lieu de l'échantillon apparié : si vous apparié puis analysez toutes les données d'origine, vous ignorez l'appariement (ce qui va à l'encontre du but). Analysez uniquement l'échantillon apparié, ou utilisez la pondération sur l'échantillon complet.
- P-hacking avec plusieurs modèles de propension : ajuster différents modèles de propension et sélectionner celui qui donne le meilleur équilibre ou l'effet de traitement le plus fort. Spécifier le modèle de propension a priori en se basant sur la théorie ; utiliser la validation croisée.
- Affirmations causales sans antériorité temporelle : le score de propension réduit la confusion par les covariables mesurées, mais la causalité nécessite un traitement avant le résultat. La causalité inverse menace toujours la validité.
Questions fréquentes
Qu'est-ce que le score de propension et pourquoi l'appariement sur celui-ci fonctionne-t-il ?
Le score de propension est la probabilité de recevoir un traitement étant donné les covariables observées, estimée par régression logistique : P(T=1|Covariables). Deux individus ayant le même score de propension ont des caractéristiques de base similaires (en moyenne) même s'ils sont traités différemment. L'appariement sur les scores de propension crée des groupes comparables : dans l'échantillon apparié, le statut de traitement est indépendant des covariables (indépendance conditionnelle atteinte). Ceci est équivalent à une randomisation effectuée à la base, permettant l'inférence causale. Le score de propension est un scalaire (un nombre par personne), réduisant l'appariement de plusieurs dimensions à une seule (malédiction de la dimensionnalité résolue).
Quelle est la différence entre l'appariement par score de propension et la pondération par l'inverse de la probabilité de traitement (IPTW) ?
Appariement par score de propension : associe les individus traités à des individus non traités ayant des scores de propension similaires ; analyse uniquement les paires appariées, écartant les individus non appariés. IPTW (pondération par l'inverse de la probabilité de traitement) : pondère tous les individus par l'inverse des scores de propension (pondère les traités par 1/p, les contrôles par 1/(1−p)), créant une pseudo-population où le traitement est indépendant des covariables. L'IPTW conserve toutes les données, améliorant l'efficacité et la puissance. Les deux méthodes atteignent l'équilibre des covariables ; l'IPTW est statistiquement plus efficace. Compromis : l'IPTW peut produire des poids extrêmes si certains individus ont des scores de propension très élevés ou très faibles, augmentant la variance ; l'appariement évite cela mais perd des données.
Comment évaluer l'équilibre des covariables et quel est le niveau acceptable ?
Calculer la différence moyenne standardisée (SMD) pour chaque covariable : SMD = (moyenne_traités − moyenne_contrôles) / écart-type groupé. Un SMD < 0,10 est généralement accepté comme 'équilibré' ; < 0,05 est excellent. Tracer les SMD avant et après appariement (graphique d'amour) : l'équilibre avant/après est visible en un coup d'œil. Calculer le SMD pour tous les facteurs de confusion ; si certains restent déséquilibrés (SMD > 0,10) après appariement, envisagez : d'élargir le caliper (appariement plus lâche), d'inclure des interactions dans le modèle de propension, ou d'utiliser des méthodes alternatives (stratification, ajustement par régression). Ne jamais juger l'équilibre par des valeurs p (les valeurs p dépendent de la taille de l'échantillon) ; toujours examiner le SMD numériquement et graphiquement.
L'appariement par score de propension peut-il traiter les biais de confusion non mesurés ?
Non. Le PSM réduit le biais dû aux facteurs de confusion mesurés (ceux pour lesquels vous avez collecté des données). Les facteurs de confusion non mesurés (par exemple, motivation du patient, gravité non mesurée de la maladie, mécanismes de sélection cachés) restent non contrôlés. Effectuer une analyse de sensibilité pour évaluer à quel point les conclusions sont sensibles aux biais de confusion non mesurés (bornes de Rosenbaum : quelle doit être la force d'un facteur de confusion non mesuré pour modifier les conclusions). Discuter toujours des limites du biais de confusion non mesuré. Envisager des variables instrumentales ou des expériences naturelles si le biais de confusion non mesuré est une préoccupation majeure.
Méthodes associées
Sources
Rosenbaum, P. R., & Rubin, D. B. (1983). The central role of the propensity score in observational studies for causal effects. Biometrika, 70(1), 41–55.
Ouvrir la référence DOICopié.Austin, P. C. (2011). An introduction to propensity score methods for reducing the effects of confounding. Multivariate Behavioral Research, 46(3), 399–424.
Ouvrir la référence DOICopié.Rubin, D. B. (1974). Estimating causal effects of treatments in randomized and nonrandomized studies. Journal of Educational Psychology, 66(5), 688–701.
Ouvrir la référence DOICopié.