Différences de différences et séries temporelles interrompues

Santé publique & épidémiologie · Master 1

Évaluer une politique de santé sans randomisation: hypothèses, analyse et limites de ces designs.

Introduction

De nombreuses interventions de santé publique, comme une interdiction de fumer dans les lieux publics, une taxe sur les boissons sucrées ou une réforme du financement hospitalier, ne peuvent pas être randomisées. Elles s'appliquent à une population entière ou à un canton à une date donnée. Les plans quasi-expérimentaux cherchent alors à estimer l'effet causal en exploitant la variation dans le temps et entre groupes plutôt qu'une répartition aléatoire.

La méthode des différences de différences compare l'évolution d'un indicateur avant et après l'intervention dans un groupe exposé et dans un groupe de comparaison non exposé. L'effet estimé est la différence entre les deux évolutions. Elle repose sur l'hypothèse de tendances parallèles: en l'absence d'intervention, les deux groupes auraient évolué de manière comparable. La série temporelle interrompue, elle, utilise de nombreux points de mesure avant et après l'intervention dans une seule population et estime un changement de niveau et de pente par régression segmentée.

Ces méthodes sont puissantes mais vulnérables: événements concomitants, changement de mesure, régression vers la moyenne, saisonnalité et autocorrélation peuvent produire de faux effets. Leur interprétation exige donc des vérifications explicites des hypothèses, que ce deck détaille.

Objectifs d'apprentissage

Expliquer pourquoi un plan quasi-expérimental est utilisé lorsque la randomisation est impossible
Calculer et interpréter une estimation en différences de différences
Formuler et tester l'hypothèse de tendances parallèles
Décrire une régression segmentée et ses paramètres de niveau et de pente
Identifier les menaces à la validité interne propres à ces designs

Concepts clés

Expérience naturelle et plan quasi-expérimental: Une expérience naturelle survient lorsqu'une intervention est appliquée à certains groupes ou à certaines périodes sans intervention du chercheur. Les plans quasi-expérimentaux exploitent cette variation pour approcher un contrefactuel, c'est-à-dire ce qui serait arrivé sans l'intervention.
Différences de différences: L'effet est estimé par (après moins avant) dans le groupe exposé moins (après moins avant) dans le groupe témoin. Il neutralise les différences stables entre groupes et les tendances communes. En régression, il correspond au coefficient du terme d'interaction entre groupe et période.
Hypothèse de tendances parallèles: Elle suppose qu'en l'absence d'intervention, l'écart entre groupes serait resté constant. On l'évalue en comparant les tendances avant l'intervention et par des tests de placebo (fausse date d'intervention ou groupe non concerné), mais elle reste non testable pour la période postérieure.
Série temporelle interrompue: On modélise un indicateur mesuré à intervalles réguliers par une régression segmentée avec une tendance préexistante, un changement de niveau immédiat à la date de l'intervention et un changement de pente ensuite. Il faut suffisamment de points avant et après, souvent plusieurs dizaines au total.
Autocorrélation et saisonnalité: Les observations successives sont corrélées et présentent des cycles saisonniers; ignorer ces structures sous-estime les erreurs-types et produit des effets faussement significatifs. On les modélise par des termes de saisonnalité, des modèles ARIMA ou des erreurs corrigées de l'autocorrélation.

Conclusion

Les différences de différences et les séries temporelles interrompues sont deux piliers de l'évaluation de politiques de santé publique en l'absence de randomisation. Elles permettent d'approcher un contrefactuel crédible à condition d'expliciter et de vérifier leurs hypothèses: tendances parallèles pour l'une, modélisation correcte de la tendance, de la saisonnalité et de l'autocorrélation pour l'autre.

Une évaluation solide combine souvent les deux approches, ajoute des analyses de sensibilité et discute les événements concomitants. C'est ce qui distingue une simple comparaison avant-après d'une inférence causale argumentée.

Cartes

Pourquoi utilise-t-on des plans quasi-expérimentaux en santé publique ?: Parce que beaucoup de politiques s'appliquent à une population entière et ne peuvent pas être randomisées pour des raisons pratiques ou éthiques.
Qu'est-ce qu'un contrefactuel ?: L'évolution qu'aurait connue la population exposée en l'absence d'intervention; elle n'est jamais observée et doit être estimée.
Comment calcule-t-on une différence de différences ?: (Valeur après moins valeur avant) du groupe exposé, moins (valeur après moins valeur avant) du groupe de comparaison.
Quelle hypothèse centrale sous-tend les différences de différences ?: Les tendances parallèles: en l'absence d'intervention, les deux groupes auraient évolué de manière similaire.
Comment vérifier partiellement l'hypothèse de tendances parallèles ?: En comparant les tendances des groupes avant l'intervention sur plusieurs périodes, et par des tests de placebo avec de fausses dates ou des groupes non concernés.
Quel terme de régression estime l'effet en différences de différences ?: Le coefficient de l'interaction entre l'indicatrice du groupe exposé et l'indicatrice de la période après l'intervention.
Que modélise une série temporelle interrompue ?: L'évolution d'un indicateur mesuré à intervalles réguliers, avec un changement de niveau et de pente à la date de l'intervention.
Que signifie un changement de niveau dans une régression segmentée ?: Une variation immédiate de l'indicateur à la date de l'intervention, par rapport à la tendance préexistante.
Que signifie un changement de pente ?: Une modification de la vitesse d'évolution de l'indicateur après l'intervention, révélant un effet progressif.
Pourquoi tenir compte de l'autocorrélation ?: Parce que les observations proches dans le temps sont corrélées; l'ignorer sous-estime les erreurs-types et surestime la significativité.
Citez une menace à la validité interne d'une série temporelle interrompue.: Un événement concomitant à l'intervention, comme une autre loi ou une épidémie, un changement de définition ou de mesure de l'indicateur.
Comment renforcer la crédibilité d'une série temporelle interrompue ?: En ajoutant une série de comparaison non exposée, en modélisant la saisonnalité et en testant des indicateurs de contrôle qui ne devraient pas être affectés.

Glossaire

Contrefactuel: Résultat qu'aurait obtenu la population exposée en l'absence d'intervention, utilisé comme référence pour définir l'effet causal.
Tendances parallèles: Hypothèse selon laquelle, sans intervention, les évolutions des groupes exposé et témoin auraient été équivalentes.
Régression segmentée: Modèle de régression avec des paramètres distincts de niveau et de pente avant et après une date donnée.
Autocorrélation: Corrélation d'une série avec ses propres valeurs passées, qui rend les observations non indépendantes.
Expérience naturelle: Situation où l'exposition varie en raison d'un événement extérieur à la recherche, créant des groupes comparables de façon quasi aléatoire.
Événement concomitant: Événement survenu en même temps que l'intervention qui peut expliquer en tout ou partie le changement observé.
Test de placebo: Analyse reproduisant la méthode avec une fausse date ou un groupe non concerné pour vérifier qu'aucun effet n'apparaît.