Graphe acyclique dirigé

Un graphe acyclique dirigé (DAG) est un diagramme composé de nœuds et de flèches unidirectionnelles utilisé pour encoder les hypothèses d'un chercheur concernant les relations causales entre les variables. En épidémiologie, les DAGs explicitent ces hypothèses et fournissent des règles formelles pour décider quelles variables ajuster afin d'estimer un effet causal sans introduire de biais.

Definition

Un graphe acyclique dirigé est un graphe dans lequel les nœuds représentent des variables et les arêtes dirigées représentent des effets causaux directs supposés, sans aucun chemin qui retourne à son nœud de départ, utilisé pour déterminer quels ajustements identifient un effet causal.

Scope

Ce sujet couvre la structure et l'interprétation des DAGs causaux, les concepts de facteurs de confusion (confounders), de médiateurs (mediators) et de colliders (colliders), ainsi que les règles graphiques, notamment la d-séparation et le critère de la porte dérobée (back-door criterion), qui relient un graphe dessiné à un ensemble d'ajustement valide. Il s'agit d'une référence méthodologique, et non d'une directive clinique.

Core questions

• Comment les hypothèses sur la structure causale peuvent-elles être représentées explicitement ?
• Quelles variables doivent être ajustées, et lesquelles ne doivent pas l'être, pour estimer un effet causal ?
• En quoi les facteurs de confusion, les médiateurs et les colliders diffèrent-ils dans un graphe causal ?

Key concepts

• Nœuds et arêtes dirigées
• Facteur de confusion, médiateur et collider
• Chemin de porte dérobée et critère de la porte dérobée
• d-séparation
• Biais de collider
• Ensemble d'ajustement minimal suffisant

Mechanisms

Dans un DAG, une flèche d'une variable à une autre encode un effet causal direct supposé, et l'absence de flèche encode une absence supposée d'effet direct. Le critère de la porte dérobée (back-door criterion) de Pearl (pearl-1995) identifie un ensemble de variables qui, lorsqu'elles sont conditionnées, bloquent tous les chemins non causaux (de porte dérobée) entre l'exposition et le résultat tout en laissant le chemin causal ouvert, produisant ainsi un ensemble d'ajustement non biaisé. Greenland, Pearl et Robins (greenland-pearl-robins-1999) ont traduit cette théorie graphique pour les épidémiologistes, montrant comment les facteurs de confusion (confounders) devraient être contrôlés, les médiateurs (mediators) ne devraient généralement pas l'être lors de l'estimation des effets totaux, et les colliders (colliders) ne doivent pas être conditionnés car cela ouvre un chemin fallacieux (biais de collider). Ajuster pour les mauvaises variables peut donc créer un biais plutôt que de le supprimer (schisterman-2009), et des logiciels tels que dagitty opérationnalisent ces règles (textor-2016).

Clinical relevance

Les DAGs guident la planification du contrôle des facteurs de confusion dans les études qui éclairent les preuves cliniques et de santé publique, aidant les lecteurs à comprendre pourquoi un ajustement particulier a été ou non effectué. Ils décrivent un raisonnement analytique et ne constituent pas une base pour des décisions individuelles de diagnostic ou de traitement.

Epidemiology

Les DAGs causaux font désormais partie intégrante de la conception et de la publication des études observationnelles en épidémiologie, utilisés pour justifier la sélection des covariables et pour anticiper les biais de sélection et de collider. Des outils comme dagitty ont rendu l'analyse formelle des DAGs routinière dans les travaux appliqués (textor-2016).

History

Pearl a introduit les diagrammes causaux et le critère de la porte dérobée pour formaliser l'inférence causale à partir de données non expérimentales (pearl-1995), et Greenland, Pearl et Robins ont introduit ce cadre en épidémiologie en 1999 (greenland-pearl-robins-1999). Les travaux appliqués ultérieurs ont clarifié des pièges tels que le surajustement et le biais de collider (schisterman-2009) et ont produit des logiciels largement utilisés pour l'analyse des DAGs (textor-2016).

Debates

L'ajustement pour un plus grand nombre de covariables peut-il être nuisible ?

La théorie des DAGs montre que le conditionnement sur des médiateurs ou des colliders peut introduire un biais ; par conséquent, l'ajout de covariables n'est pas automatiquement plus sûr. La sélection d'un ensemble d'ajustement nécessite des hypothèses causales explicites plutôt qu'une commodité statistique.

Key figures

• Judea Pearl
• Sander Greenland
• James Robins
• Enrique Schisterman

Seminal works

• pearl-1995
• greenland-pearl-robins-1999

Frequently asked questions

Que signifie « acyclique » dans un graphe acyclique dirigé ?

Cela signifie qu'aucune variable ne peut, en suivant la direction des flèches, finir par se causer elle-même ; les effets circulent dans une seule direction sans boucles de rétroaction.

Pourquoi l'ajustement pour un collider peut-il créer un biais ?

Un collider est une variable causée par deux autres ; le conditionnement sur celle-ci ouvre une association fallacieuse entre ses causes, de sorte que l'ajustement pour un collider peut introduire un biais plutôt que d'éliminer la confusion.