Scores de propension, appariement et chevauchement
Comprenez ce que les scores de propension équilibrent, pourquoi le chevauchement et l'absence de confusion sont importants, comment l'appariement et la pondération modifient l'estimand et quels diagnostics rendent une étude financière crédible
Réponse directe
Un score de propension est la probabilité de recevoir un traitement conditionnellement aux covariables observées avant le traitement. L'appariement ou la pondération sur ce score peut rendre ces covariables mesurées plus comparables entre les groupes traités et non traités. Cela ne peut ni équilibrer les facteurs de confusion cachés, ni réparer un chevauchement insuffisant, ni créer une randomisation. Une analyse crédible définit donc l'estimand, conçoit la comparaison sans consulter les résultats, vérifie l'équilibre des covariables et la concentration des poids, puis indique comment l'élagage ou l'appariement modifie la population étudiée
Une étude observationnelle commence par la sélection
Les entreprises, les investisseurs et les marchés n'adoptent que rarement une politique au hasard. La taille, le risque, la gouvernance, la liquidité et la croissance attendue peuvent influencer à la fois l'adoption et les résultats ultérieurs
Un écart brut de résultats mélange donc l'effet du traitement et les différences préexistantes. L'ajustement par régression rencontre le même problème d'identification, sauf si ses hypothèses sont défendables
La question de conception vient en premier : pour quelles unités le traitement aurait-il pu varier de manière plausible, et quels faits antérieurs au traitement expliquent ce choix ?
Un score de propension comprime les covariables observées
Pour les covariables X, le score de propension e(X) est la probabilité du traitement conditionnellement à X. Des unités ayant le même score devraient avoir des distributions similaires de X mesurées
Cette propriété d'équilibrage réduit une comparaison multidimensionnelle à un seul score, mais seulement pour les variables fournies avant le traitement. La précision prédictive n'est pas l'objectif
Le modèle doit refléter l'affectation au traitement et les connaissances du domaine. Les variables postérieures au traitement et les colliders peuvent introduire un biais au lieu de le supprimer
L'absence de confusion est le pont causal
Les méthodes fondées sur la propension exigent une échangeabilité conditionnelle : après conditionnement sur les covariables observées, l'affectation au traitement est indépendante des résultats potentiels comparés
Cette affirmation ne peut pas être vérifiée à partir des seules données appariées. Une attente omise, un signal privé ou une capacité managériale peuvent encore déterminer le traitement et la performance
L'appariement est donc un outil de conception, pas un certificat causal. Des contrôles négatifs, un raisonnement institutionnel et une analyse de sensibilité doivent traiter la confusion non mesurée
Le chevauchement détermine qui peut être comparé
La positivité signifie que chaque profil de covariables pertinent a une probabilité significative d'apparaître dans les deux groupes. Les scores proches de zéro ou de un révèlent un support commun ténu
Aucun modèle ne peut fabriquer un analogue non traité pour une unité traitée située en dehors de la population donneuse. Extrapoler dans cette zone rend les résultats dépendants de la forme fonctionnelle plutôt que des données
Les calipers, l'élagage et les poids de chevauchement peuvent améliorer la stabilité, mais ils modifient la population cible. Le nouvel estimand doit être nommé plutôt que dissimulé
L'appariement et la pondération répondent à des questions différentes
L'appariement par plus proche voisin ou par caliper construit un échantillon de comparaison. La subclassification compare des tranches de scores, tandis que la pondération par l'inverse de la probabilité crée une pseudo-population pondérée
Les poids pour l'effet moyen du traitement diffèrent des poids pour l'effet sur les unités traitées. Les poids de chevauchement mettent l'accent sur les unités dont le statut de traitement était le plus incertain
Ces choix influencent le biais, la variance et l'interprétation. La réutilisation de témoins, la suppression d'unités traitées et l'estimation des scores influencent toutes l'incertitude et doivent entrer dans l'inférence
L'équilibre est le principal diagnostic de conception
Après l'ajustement, comparez chaque covariable avec les différences moyennes standardisées et des graphiques de distribution. Un AUC élevé du modèle de traitement n'est pas la preuve d'un bon équilibre
Examinez les distributions de propension, le nombre d'unités non appariées, la taille effective de l'échantillon et les poids les plus élevés. Quelques observations extrêmes peuvent dominer discrètement une estimation
Le résultat doit rester masqué pendant l'ajustement de la conception. Sinon, des choix d'appariement répétés peuvent devenir une recherche de spécification guidée par le résultat
Les applications financières ont besoin d'une histoire de traitement
Supposons que les entreprises adoptant une règle de divulgation négocient ensuite à moindre coût. L'appariement peut comparer les adoptantes à des entreprises similaires par la taille, la volatilité, l'actionnariat et la liquidité antérieure
Il échoue encore si l'adoption a suivi un plan de financement non mesuré qui a aussi amélioré la liquidité. Le calendrier et les traces de décision comptent davantage qu'une longue liste de covariables
Indiquez la date du traitement, la fenêtre antérieure, les covariables, le graphique de chevauchement, le tableau d'équilibre, l'estimand, les poids, les exclusions, l'incertitude de l'effet et la sensibilité au biais caché
Lisez l'estimation comme une comparaison conçue
Le résultat le plus solide n'est pas celui qui utilise chaque observation. C'est celui qui repose sur une population où des homologues crédibles existent réellement
Séparez la réussite observée de la conception — un meilleur équilibre des covariables — de l'affirmation causale invérifiable — l'absence persistante de confusion cachée importante
Si l'estimation change fortement selon les calipers, les règles d'élagage ou des scénarios plausibles de biais caché, l'incertitude de conception doit faire partie de la conclusion
Questions fréquentes
L'appariement rend-il une étude observationnelle aléatoire ?
Non. Il peut améliorer la comparabilité des covariables mesurées avant le traitement, mais une confusion cachée peut subsister
Le modèle de propension doit-il prédire le traitement avec la plus grande précision possible ?
Non. Son objectif est l'équilibre des covariables pour l'estimand cible, et non la performance de classification
Que signifie un mauvais chevauchement ?
Cela signifie que certaines unités traitées n'ont pas d'homologues non traités crédibles ; leurs effets exigent donc une extrapolation ou une population cible plus étroite
L'élagage des scores extrêmes est-il sans conséquence ?
Non. Il peut améliorer la précision et la robustesse, mais il modifie la population que décrit l'estimation