{
  "abstract": "Contexte : Les critères de jugement rapportés par les patients (PROs) sont de plus en plus utilisés pour comparer des traitements, mais les méthodes d'inférence causale adaptées aux critères latents restent rares. Ce travail visait à intégrer la pondération par l'inverse de la probabilité de traitement (IPTW) à un modèle à crédits partiels (Partial Credit Model, PCM) pour estimer l'effet causal d'une intervention binaire sur un PRO.\n\nMéthodes : Une étude de simulation preuve de concept a comparé deux diagrammes causaux, selon que le niveau initial du PRO était pronostique (diagramme n°1) ou facteur de confusion (diagramme n°2), sous deux scénarios (absence d'effet, H0 ; effet bénéfique, H1). Les réponses de 150 individus à un questionnaire ont été générées selon un PCM à l'inclusion et au suivi ; l'effet de l'intervention a été estimé par régression latente. Sept stratégies d'analyse, dont six pondérées par IPTW et différant par le score de propension, ont été comparées sur le biais, les erreurs-types, la couverture et le taux de rejet.\n\nRésultats : Lorsque tous les facteurs de confusion étaient observés et correctement spécifiés, l'approche fournissait des estimations non biaisées. Intégrer une estimation (WLE) du niveau initial de la variable latente au score de propension corrigeait la confusion lorsque cette variable en était la source. Les erreurs-types du modèle surestimaient les erreurs-types empiriques, entraînant une surcouverture.\n\nConclusion : Ce travail apporte des premiers éléments en faveur de l'intégration de l'IPTW à un PCM pour estimer des effets causaux sur un PRO, et ouvre plusieurs pistes de recherche.",
  "abstract_shown": true,
  "affiliations": [],
  "article_type": null,
  "arxiv": null,
  "author_total": 4,
  "authors": [
    {
      "name": "Safae El Berkani"
    },
    {
      "name": "Angèle Boisbras"
    },
    {
      "name": "Véronique Sébille"
    },
    {
      "name": "Yseulys Dubuy"
    }
  ],
  "bibtex": "https://research.draconitic.com/paper/e6r4hnnnr38bn.bib",
  "cited_by": 0,
  "doi": null,
  "fulltext_url": null,
  "id": "e6r4hnnnr38bn",
  "issns": [],
  "landing_url": "https://hal.science/hal-05853210v1",
  "language": "fr",
  "licence": "CC-BY-NC-ND-4.0",
  "licence_label": "CC BY-NC-ND 4.0",
  "licence_source": "article",
  "licence_url": "https://creativecommons.org/licenses/by-nc-nd/4.0/",
  "metadata_licence": null,
  "native_subjects": [
    [
      "hal",
      "0.stat"
    ]
  ],
  "openalex": null,
  "pdf_url": "https://hal.science/hal-05853210/document",
  "pmcid": null,
  "pmid": null,
  "published": "2026-07-30",
  "publisher": null,
  "ris": "https://research.draconitic.com/paper/e6r4hnnnr38bn.ris",
  "sources": [
    {
      "first_seen": "2026-11-07T12:20:25Z",
      "native_id": "hal-05853210",
      "source": "hal",
      "url": "https://hal.science/hal-05853210v1"
    }
  ],
  "subjects": [
    {
      "field": "mathematics",
      "origin": "hal:0.stat",
      "subfield": "statistics"
    }
  ],
  "title": "Quand l'inférence causale rencontre la psychométrie : Application de l'IPTW (Inverse Probability of Treatment Weighting) aux modèles de la famille de Rasch - Une étude de simulation",
  "title_text": "Quand l'inférence causale rencontre la psychométrie : Application de l'IPTW (Inverse Probability of Treatment Weighting) aux modèles de la famille de Rasch - Une étude de simulation",
  "type": "preprint",
  "updated_at": "2026-11-07T12:20:25Z",
  "url": "https://research.draconitic.com/paper/e6r4hnnnr38bn",
  "venue": "HAL",
  "versions": []
}