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
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.
Méthodes : 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.
Résultats : 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.
Conclusion : 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.
Related
- Uniform retractions onto a probability measure algebra and an application to topological groups
- Black-Box Membership Inference via Word-Level Probability Estimation
- A Hybrid Spatial Statistical Learning Framework for Individualized Probability Estimation: Application to Multisite Autism Neuroimaging
- Statistical Inference for Probability Barycenters and Kolmogorov Moments
- Physics of Information Geometry - Part II: Small-Step Active Inference on the Probability Simplex
BibTeX
@misc{berkani2026quand,
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}},
author = {Safae El Berkani and Angèle Boisbras and Véronique Sébille and Yseulys Dubuy},
howpublished = {HAL},
year = {2026},
month = jul,
url = {https://hal.science/hal-05853210v1},
note = {CC BY-NC-ND 4.0},
}
RIS
TY - UNPB
TI - 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
AU - Safae El Berkani
AU - Angèle Boisbras
AU - Véronique Sébille
AU - Yseulys Dubuy
PY - 2026
DA - 2026/07/30
PB - HAL
UR - https://hal.science/hal-05853210v1
AB - 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. Méthodes : 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. Résultats : 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. Conclusion : 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.
ER -