![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/instrumentalvariable1.png\")
<\/figure>\nL’analogie la plus parlante est celle de l’exp\u00e9rience naturelle ou de la quasi-randomisation. Imaginez une situation o\u00f9 un groupe de personnes choisit de participer ou non \u00e0 une formation intensive \u00e0 la gestion du stress. Les participants les plus motiv\u00e9s, ou ceux disposant de davantage de temps libre, sont les plus susceptibles de s’inscrire, cr\u00e9ant un biais de s\u00e9lection flagrant. Supposons maintenant que l’organisme formateur, face \u00e0 une demande excessive, ait distribu\u00e9 des coupons de r\u00e9duction ou des invitations prioritaires par tirage au sort. Ce tirage au sort (Z) influence consid\u00e9rablement la d\u00e9cision finale d’assister \u00e0 la formation (X), mais il est totalement d\u00e9connect\u00e9 des traits psychologiques ou de la motivation intrins\u00e8que des candidats (\u03b5). En observant comment les coupons modifient le taux de participation et, cons\u00e9cutivement, comment le stress s’en trouve r\u00e9duit, on reconstitue un essai contr\u00f4l\u00e9 au sein m\u00eame de la population d’\u00e9tude.<\/p>\n
Sur le plan de l’histoire des sciences, les racines de cette d\u00e9couverte remontent aux travaux pr\u00e9curseurs du biologiste et g\u00e9n\u00e9ticien des populations Sewall Wright et de son p\u00e8re Philip Wright dans les ann\u00e9es 1920. Confront\u00e9s \u00e0 l’\u00e9valuation empirique des courbes d’offre et de demande agricoles dans leur ouvrage fondamental sur le commerce du lin et des huiles v\u00e9g\u00e9tales, ils cherchaient \u00e0 d\u00e9terminer comment les quantit\u00e9s \u00e9chang\u00e9es influen\u00e7aient les prix sur les march\u00e9s, alors m\u00eame que les prix influen\u00e7aient simultan\u00e9ment les quantit\u00e9s. Sewall Wright a conceptualis\u00e9 l’usage de variables d\u00e9cal\u00e9es et de facteurs climatiques impr\u00e9visibles pour d\u00e9placer l’une des courbes tout en maintenant l’autre fixe, posant ainsi les bases formelles de ce que l’\u00e9conom\u00e9trie moderne<\/a> d\u00e9veloppera plus tard sous le nom d’\u00e9quations simultan\u00e9es et de variables instrumentales.<\/p>\n L’av\u00e8nement des graphes acycliques dirig\u00e9s (Directed Acyclic Graphs ou DAGs<\/a>), popularis\u00e9s par Judea Pearl dans le cadre de la th\u00e9orie causale moderne, offre un cadre visuel et math\u00e9matique d’une clart\u00e9 remarquable pour appr\u00e9hender le statut des variables instrumentales. Un DAG se compose de n\u0153uds repr\u00e9sentant les variables et de fl\u00e8ches orient\u00e9es illustrant les relations de d\u00e9pendance causale directe entre ces entit\u00e9s, excluant toute boucle de r\u00e9troaction imm\u00e9diate.<\/p>\n Dans un DAG mod\u00e9lisant l’estimation instrumentale type, nous retrouvons quatre \u00e9l\u00e9ments fondamentaux : la variable instrumentale Z, l’exposition ou traitement X, le r\u00e9sultat d’int\u00e9r\u00eat Y, et une variable latente U regroupant l’int\u00e9gralit\u00e9 des facteurs de confusion inobserv\u00e9s. La structure du r\u00e9seau ob\u00e9it \u00e0 une configuration tr\u00e8s stricte :<\/p>\n Gr\u00e2ce aux principes du crit\u00e8re de d-s\u00e9paration \u00e9nonc\u00e9 par Pearl, la topologie du DAG d\u00e9montre que l’instrument Z n’est connect\u00e9 \u00e0 Y que par une unique voie active : le chemin dirig\u00e9 Z \u2192 X \u2192 Y. Toutes les voies secondaires potentielles qui passeraient par les variables de confusion U sont structurellement bloqu\u00e9es. Par cons\u00e9quent, toute corr\u00e9lation statistique mesur\u00e9e empiriquement entre l’instrument Z et le crit\u00e8re Y est n\u00e9cessairement transmise \u00e0 travers la modification de la variable X. L’instrument permet d’ouvrir une fen\u00eatre d’observation parfaitement \u00e9tanche aux interf\u00e9rences du monde ext\u00e9rieur.<\/p>\n La transcription formelle de l’estimateur par variable instrumentale repose sur l’analyse structurelle des covariances. Consid\u00e9rons l’\u00e9quation de r\u00e9gression lin\u00e9aire sous-jacente au niveau individuel pour un \u00e9chantillon de taille N :<\/p>\n Yi<\/sub> = \u03b20<\/sub> + \u03b21<\/sub>Xi<\/sub> + \u03b5i<\/sub><\/p>\n Dans ce mod\u00e8le, le r\u00e9gresseur scalaire Xi<\/sub> est endog\u00e8ne, signifiant que la covariance Cov(X, \u03b5) est diff\u00e9rente de z\u00e9ro, rendant l’estimateur conventionnel des Moindres Carr\u00e9s Ordinaires (MCO) biais\u00e9. Soit Zi<\/sub> une variable instrumentale valide respectant l’orthogonalit\u00e9 vis-\u00e0-vis du r\u00e9sidu, soit Cov(Z, \u03b5) = 0. En calculant la covariance th\u00e9orique de chaque membre de l’\u00e9quation avec l’instrument Z, nous obtenons le d\u00e9veloppement suivant :<\/p>\n Cov(Z, Y) = Cov(Z, \u03b20<\/sub> + \u03b21<\/sub>X + \u03b5)<\/p>\n Par lin\u00e9arit\u00e9 de l’op\u00e9rateur de covariance, l’expression se d\u00e9compose ainsi :<\/p>\n Cov(Z, Y) = \u03b21<\/sub>Cov(Z, X) + Cov(Z, \u03b5)<\/p>\n Sous la condition essentielle d’exog\u00e9n\u00e9it\u00e9 selon laquelle Cov(Z, \u03b5) s’annule, le second terme de l’addition dispara\u00eet purement et simplement. Si l’instrument est pertinent, c’est-\u00e0-dire si la covariance entre l’instrument et la variable endog\u00e8ne n’est pas nulle (Cov(Z, X) \u2260 0), nous pouvons isoler le coefficient causal d’int\u00e9r\u00eat \u03b21<\/sub> par une simple op\u00e9ration de division :<\/p>\n \u03b21<\/sub> = Cov(Z, Y) \/ Cov(Z, X)<\/p>\n L’estimateur instrumental empirique, souvent qualifi\u00e9 d’estimateur de Wald dans le cas o\u00f9 l’instrument Z est une variable binaire indicatrice (prenant les valeurs 0 ou 1), s’exprime par le ratio des diff\u00e9rences de moyennes d’\u00e9chantillon :<\/p>\n \u03b2\u0302IV<\/sub> = [E\u0304(Y | Z = 1) – E\u0304(Y | Z = 0)] \/ [E\u0304(X | Z = 1) – E\u0304(X | Z = 0)]<\/p>\n Ce ratio remarquable met en lumi\u00e8re la m\u00e9canique fondamentale de l’instrumentation : le num\u00e9rateur capture l’effet global de l’instrument sur la variable de r\u00e9ponse finale (la forme r\u00e9duite), tandis que le d\u00e9nominateur \u00e9value dans quelle mesure l’instrument alt\u00e8re le degr\u00e9 d’exposition au traitement. En divisant la variation globale par le taux d’adoption du traitement, l’estimateur rescale l’effet pour l’attribuer exclusivement \u00e0 l’unit\u00e9 de variation de X. Les propri\u00e9t\u00e9s asymptotiques d\u00e9montrent que cet estimateur converge en probabilit\u00e9 vers le param\u00e8tre r\u00e9el \u03b21<\/sub> lorsque N tend vers l’infini, garantissant sa consistance math\u00e9matique l\u00e0 o\u00f9 les MCO demeurent irr\u00e9m\u00e9diablement fauss\u00e9s.<\/p>\n Pour qu’une variable candidate puisse pr\u00e9tendre au statut d’instrument, elle doit imp\u00e9rativement franchir une s\u00e9rie d’exigences th\u00e9oriques et statistiques intransigeantes. La premi\u00e8re d’entre elles est la condition de pertinence, parfois d\u00e9sign\u00e9e sous le terme de validit\u00e9 de premier niveau. Cette condition requiert que l’instrument Z soit corr\u00e9l\u00e9 de mani\u00e8re robuste, tangible et non fortuite avec la variable explicative endog\u00e8ne X, une fois contr\u00f4l\u00e9es toutes les autres covariables exog\u00e8nes incluses dans le mod\u00e8le.<\/p>\n Sur le plan math\u00e9matique, cette exigence se traduit formellement au sein de l’\u00e9quation de r\u00e9gression de premier niveau par :<\/p>\n Xi<\/sub> = \u03b30<\/sub> + \u03b31<\/sub>Zi<\/sub> + Wi<\/sub>‘\u03b32<\/sub> + ui<\/sub><\/p>\n La condition de pertinence impose que le param\u00e8tre de pente \u03b31<\/sub> soit strictement diff\u00e9rent de z\u00e9ro (\u03b31<\/sub> \u2260 0). En termes probabilistes, la distribution conditionnelle de X sachant Z ne doit pas \u00eatre invariante : la connaissance de la valeur de l’instrument doit fournir une quantit\u00e9 d’information substantielle sur l’\u00e9tat attendu de l’exposition au traitement. Contrairement aux autres hypoth\u00e8ses fondamentales de l’inf\u00e9rence causale qui reposent sur des entit\u00e9s inobservables, la pertinence pr\u00e9sente l’avantage inestimable d’\u00eatre directement v\u00e9rifiable et quantifiable sur les donn\u00e9es de l’\u00e9chantillon \u00e0 l’aide de tests d’hypoth\u00e8ses standards.<\/p>\n Le manquement \u00e0 cette condition soul\u00e8ve le risque d’employer ce que la litt\u00e9rature nomme un instrument faible. Si \u03b31<\/sub> est infinit\u00e9simal ou proche de z\u00e9ro, le d\u00e9nominateur de l’estimateur instrumental s’approche d’une division par z\u00e9ro, entra\u00eenant une explosion exponentielle de la variance de l’estimation et g\u00e9n\u00e9rant une impr\u00e9cision statistique massive. De surcro\u00eet, comme nous l’analyserons ult\u00e9rieurement, un instrument faiblement corr\u00e9l\u00e9 est incapable de r\u00e9sister \u00e0 la moindre imperfection de ses autres postulats, amplifiant les biais d’estimation au lieu de les r\u00e9duire.<\/p>\n La deuxi\u00e8me exigence cardinale est la condition d’exog\u00e9n\u00e9it\u00e9, souvent appel\u00e9e condition d’ind\u00e9pendance dans le vocabulaire de l’\u00e9pid\u00e9miologie clinique et de la statistique bay\u00e9sienne. Elle stipule que la variable instrumentale Z doit \u00eatre totalement distribu\u00e9e au hasard par rapport \u00e0 l’ensemble des caract\u00e9ristiques individuelles inobserv\u00e9es qui influencent la variable d\u00e9pendante Y. Autrement dit, l’instrument ne doit partager aucune corr\u00e9lation statistique, directe ou indirecte, avec le terme d’erreur structurel \u03b5 de l’\u00e9quation principale.<\/p>\n En notation probabiliste, cette condition s’exprime par l’ind\u00e9pendance statistique stricte :<\/p>\n Z \u2aeb \u03b5 ou, au minimum, Cov(Z, \u03b5) = 0<\/p>\n Dans la perspective des mod\u00e8les \u00e0 r\u00e9sultats potentiels popularis\u00e9s par Donald Rubin, cette condition signifie que les r\u00e9sultats potentiels que pr\u00e9senterait un individu sous diff\u00e9rents \u00e9tats de traitement (not\u00e9s Y(x)) doivent \u00eatre compl\u00e8tement ind\u00e9pendants de la valeur effective assign\u00e9e \u00e0 l’instrument : Y(x) \u2aeb Z. L’instrumentation n’a de validit\u00e9 que si les individus assign\u00e9s \u00e0 une valeur donn\u00e9e de Z poss\u00e8dent, en moyenne, les m\u00eames caract\u00e9ristiques latentes de base que les individus assign\u00e9s \u00e0 une autre valeur de Z.<\/p>\n Il est fondamental de comprendre qu’il est absolument impossible de valider empiriquement cette condition d’exog\u00e9n\u00e9it\u00e9 par un test statistique direct. Le terme d’erreur \u03b5 n’\u00e9tant par essence jamais collect\u00e9 dans le monde r\u00e9el (puisqu’il agr\u00e8ge l’ensemble des variables latentes, de la g\u00e9n\u00e9tique fine aux micro-\u00e9v\u00e9nements de la vie quotidienne), le chercheur ne peut calculer directement la corr\u00e9lation entre Z et \u03b5. La d\u00e9fense de cette hypoth\u00e8se repose exclusivement sur un argumentaire th\u00e9orique, institutionnel ou physique robuste. Le chercheur doit pouvoir justifier de mani\u00e8re convaincante que le m\u00e9canisme g\u00e9n\u00e9rateur de donn\u00e9es garantit une assignation de Z \u00e9quivalente \u00e0 une v\u00e9ritable loterie naturelle.<\/p>\n La troisi\u00e8me condition indispensable, souvent amalgam\u00e9e avec l’exog\u00e9n\u00e9it\u00e9 mais conceptuellement distincte, est la restriction d’exclusion. Elle impose que la variable instrumentale n’exerce aucune influence causale directe sur la variable finale Y, et qu’elle n’agisse sur elle \u00e0 travers aucune autre voie indirecte que celle passant exclusivement par le r\u00e9gresseur endog\u00e8ne X. L’int\u00e9gralit\u00e9 de l’effet produit par Z sur Y doit obligatoirement \u00eatre canalis\u00e9e par la modification de l’intensit\u00e9 de X.<\/p>\n Dans la grammaire des \u00e9quations structurelles, cela signifie que si nous formulions un mod\u00e8le englobant o\u00f9 Z et X sont simultan\u00e9ment introduits pour expliquer la r\u00e9ponse clinique ou comportementale :<\/p>\n Yi<\/sub> = \u03b20<\/sub> + \u03b21<\/sub>Xi<\/sub> + \u03b1Zi<\/sub> + \u03b5i<\/sub><\/p>\n La restriction d’exclusion impose la contrainte d’identification absolue : \u03b1 = 0. Si l’instrument Z poss\u00e8de une efficacit\u00e9 propre \u00e0 modifier Y de mani\u00e8re autonome, ou s’il d\u00e9clenche l’activation d’un m\u00e9diateur M non pris en compte dans le mod\u00e8le, le dispositif instrumental s’effondre. Le num\u00e9rateur de l’estimateur de Wald (Cov(Z, Y)) se trouvera gonfl\u00e9 par cet effet direct parasite, et l’analyste commettra l’erreur fatale d’imputer l’ensemble de cette dynamique causale au seul r\u00e9gresseur X.<\/p>\n Tout comme la condition d’exog\u00e9n\u00e9it\u00e9, la restriction d’exclusion constitue une hypoth\u00e8se non testable dans un syst\u00e8me exactement identifi\u00e9 o\u00f9 le nombre d’instruments \u00e9quivaut strictement au nombre de variables endog\u00e8nes. Sa plausibilit\u00e9 ne repose que sur la profondeur de la connaissance du domaine d’application dont fait preuve le scientifique. Elle exige d’envisager, d’explorer et d’\u00e9carter syst\u00e9matiquement chaque chemin causal alternatif concevable susceptible de relier l’instrument au crit\u00e8re d’\u00e9valuation sans transiter par la variable interm\u00e9diaire cibl\u00e9e.<\/p>\n Lorsque le mod\u00e8le statistique fait intervenir des covariables continues ou multiples, l’estimateur \u00e9l\u00e9mentaire de Wald c\u00e8de la place \u00e0 un algorithme d’estimation universel et g\u00e9n\u00e9ralisable : la m\u00e9thode des Moindres Carr\u00e9s en Deux \u00c9tapes (Two-Stage Least Squares ou 2SLS en anglais ; MC2E en fran\u00e7ais). Cette technique, formalis\u00e9e ind\u00e9pendamment par Henri Theil et Robert Basmann dans les ann\u00e9es 1950, consiste \u00e0 d\u00e9composer la dynamique de la variable endog\u00e8ne pour en soustraire l’influence perturbatrice des variables de confusion.<\/p>\n La premi\u00e8re \u00e9tape de cet algorithme proc\u00e8de \u00e0 la r\u00e9gression de la variable explicative endog\u00e8ne X sur l’instrument Z et sur l’ensemble des variables de contr\u00f4le exog\u00e8nes (not\u00e9es W) au moyen d’un ajustement classique par les moindres carr\u00e9s :<\/p>\n Xi<\/sub> = \u03b3\u03020<\/sub> + \u03b3\u03021<\/sub>Zi<\/sub> + Wi<\/sub>‘\u03b3\u03022<\/sub> + u\u0302i<\/sub><\/p>\n L’op\u00e9ration fondamentale r\u00e9side ensuite dans la r\u00e9cup\u00e9ration syst\u00e9matique des valeurs pr\u00e9dites (ou valeurs ajust\u00e9es) par cette \u00e9quation pour chaque individu de l’\u00e9chantillon, not\u00e9es X\u0302i<\/sub> :<\/p>\n X\u0302i<\/sub> = \u03b3\u03020<\/sub> + \u03b3\u03021<\/sub>Zi<\/sub> + Wi<\/sub>‘\u03b3\u03022<\/sub><\/p>\n Cette premi\u00e8re \u00e9tape r\u00e9alise une op\u00e9ration de filtrage statistique majeure. La variable originale Xi<\/sub> se trouve scind\u00e9e en deux composantes math\u00e9matiquement orthogonales : la pr\u00e9diction X\u0302i<\/sub> et le r\u00e9sidu estim\u00e9 u\u0302i<\/sub>. Par construction, X\u0302i<\/sub> n’est constitu\u00e9e que de combinaisons lin\u00e9aires de grandeurs strictement exog\u00e8nes (l’instrument Z et les contr\u00f4les W). Elle repr\u00e9sente la part de la variabilit\u00e9 du traitement qui est enti\u00e8rement d\u00e9coupl\u00e9e des facteurs de confusion latents encapsul\u00e9s dans l’erreur structurelle. Le r\u00e9sidu u\u0302i<\/sub>, quant \u00e0 lui, s\u00e9questre l’ensemble des influences endog\u00e8nes probl\u00e9matiques et des contaminations parasitaires.<\/p>\n La seconde \u00e9tape de la proc\u00e9dure consiste \u00e0 estimer l’\u00e9quation structurelle de d\u00e9part reliant la variable d’int\u00e9r\u00eat final Y au traitement, mais en op\u00e9rant une substitution d\u00e9terminante : la variable endog\u00e8ne originale brute Xi<\/sub> est formellement remplac\u00e9e par sa valeur pr\u00e9dite purifi\u00e9e X\u0302i<\/sub> calcul\u00e9e \u00e0 l’issue de la premi\u00e8re \u00e9tape :<\/p>\n Yi<\/sub> = \u03b20<\/sub> + \u03b21<\/sub>X\u0302i<\/sub> + Wi<\/sub>‘\u03b22<\/sub> + ei<\/sub><\/p>\n Puisque la variable explicative X\u0302i<\/sub> a \u00e9t\u00e9 expurg\u00e9e de toute corr\u00e9lation avec les termes d’erreur latents par l’interm\u00e9diaire de l’instrumentation, la r\u00e9gression par moindres carr\u00e9s ordinaires ex\u00e9cut\u00e9e lors de cette seconde \u00e9tape fournit un estimateur non biais\u00e9 et asymptotiquement convergent du v\u00e9ritable coefficient structurel \u03b21<\/sub>. L’effet marginal ainsi mesur\u00e9 correspond \u00e0 l’impact causal authentique produit par une unit\u00e9 de variation additionnelle de la variable de traitement sur le crit\u00e8re de jugement.<\/p>\n Cependant, une mise en garde m\u00e9thodologique fondamentale doit \u00eatre formul\u00e9e quant au calcul des variances et des erreurs-types. Si un chercheur venait \u00e0 ex\u00e9cuter manuellement ces deux \u00e9tapes cons\u00e9cutives \u00e0 l’aide de deux fonctions de r\u00e9gression standard successives dans un logiciel classique, les erreurs-types et les intervalles de confiance affich\u00e9s pour la seconde \u00e9tape seraient totalement erron\u00e9s et sous-estim\u00e9s. En effet, un algorithme d’ajustement standard traiterait les valeurs X\u0302i<\/sub> comme des donn\u00e9es observ\u00e9es fixes et certaines, ignorant l’incertitude d’\u00e9chantillonnage inh\u00e9rente \u00e0 l’estimation des param\u00e8tres \u03b3\u0302 lors de la premi\u00e8re \u00e9tape.<\/p>\n Pour obtenir une inf\u00e9rence statistique exacte, il est indispensable de faire appel \u00e0 des proc\u00e9dures int\u00e9gr\u00e9es d’estimation 2SLS (telles qu’impl\u00e9ment\u00e9es dans les modules \u00e9conom\u00e9triques sp\u00e9cialis\u00e9s). Ces algorithmes recalculent les r\u00e9sidus structurels d\u00e9finitifs \u00e0 partir des valeurs r\u00e9elles Xi<\/sub> (e\u0302i<\/sub> = Yi<\/sub> – \u03b2\u03020<\/sub> – \u03b2\u03021<\/sub>Xi<\/sub> – Wi<\/sub>‘\u03b2\u03022<\/sub>) et r\u00e9ajustent la matrice de variance-covariance asymptotique en cons\u00e9quence, garantissant des statistiques de test t et des valeurs p rigoureusement exactes.<\/p>\n Le cadre conceptuel de la m\u00e9thode 2SLS d\u00e9montre toute sa flexibilit\u00e9 dans les contextes de sur-identification, c’est-\u00e0-dire les situations empiriques avantageuses o\u00f9 l’analyste parvient \u00e0 mobiliser plusieurs variables instrumentales valides distinctes (Z1<\/sub>, Z2<\/sub>, …, Zm<\/sub>) pour expliquer une seule et unique variable endog\u00e8ne X. Dans cette \u00e9ventualit\u00e9, la premi\u00e8re \u00e9tape mod\u00e9lise simplement l’exposition \u00e0 partir d’une projection lin\u00e9aire englobant l’int\u00e9gralit\u00e9 des instruments disponibles :<\/p>\n Xi<\/sub> = \u03b30<\/sub> + \u03b31<\/sub>Z1i<\/sub> + \u03b32<\/sub>Z2i<\/sub> + … + \u03b3m<\/sub>Zmi<\/sub> + Wi<\/sub>‘\u03b3k<\/sub> + ui<\/sub><\/p>\n L’utilisation combin\u00e9e d’instruments multiples pr\u00e9sente un b\u00e9n\u00e9fice statistique \u00e9vident : l’accroissement de la puissance de pr\u00e9diction lors du premier stade. En associant plusieurs sources de variations exog\u00e8nes compl\u00e9mentaires, la proportion de variance expliqu\u00e9e de la variable endog\u00e8ne (le coefficient R2<\/sup> du premier stade) s’\u00e9l\u00e8ve de mani\u00e8re substantielle. Par ricochet, la variance d’\u00e9chantillonnage de l’estimateur de seconde \u00e9tape diminue, ce qui produit des erreurs-types plus \u00e9troites et conf\u00e8re au chercheur une capacit\u00e9 accrue \u00e0 d\u00e9tecter de l\u00e9gers effets causaux avec une forte significativit\u00e9 statistique.<\/p>\n Ce gain d’efficacit\u00e9 statistique s’accompagne toutefois d’un arbitrage d\u00e9licat. Chaque instrument additionnel introduit dans le mod\u00e8le repr\u00e9sente une source potentielle d’\u00e9chec m\u00e9thodologique. Si un seul des instruments agr\u00e9g\u00e9s au sein du vecteur Z viole la restriction d’exclusion en maintenant un lien direct r\u00e9siduel avec Y, ou pr\u00e9sente une corr\u00e9lation insidieuse avec un facteur de confusion, l’ensemble du syst\u00e8me de projection s’en trouve contamin\u00e9. L’analyste se trouve confront\u00e9 \u00e0 un arbitrage permanent entre la recherche d’une variance minimale (favoris\u00e9e par l’accumulation d’instruments) et l’imp\u00e9ratif de minimiser le biais d’invalidation causale (favoris\u00e9 par une s\u00e9lection ultra-rigoureuse d’un instrument unique incontestable).<\/p>\n L’une des illustrations historiques les plus c\u00e9l\u00e8bres et p\u00e9dagogiques de la m\u00e9thode des variables instrumentales a \u00e9t\u00e9 formul\u00e9e par Joshua Angrist et Alan Krueger dans leur article s\u00e9minal publi\u00e9 en 1991. L’interrogation de d\u00e9part portait sur le rendement \u00e9conomique et cognitif des ann\u00e9es de scolarisation suppl\u00e9mentaires. Comparer na\u00efvement les revenus ou les scores aux bilans neuropsychologiques d’adultes ayant quitt\u00e9 l’\u00e9cole \u00e0 16 ans avec ceux de dipl\u00f4m\u00e9s de l’enseignement sup\u00e9rieur expose \u00e0 un biais massif d’aptitude inn\u00e9e (le classique \u00ab ability bias \u00bb) et de milieu socio-\u00e9ducatif parental. Les individus poursuivant des \u00e9tudes prolong\u00e9es poss\u00e8dent en moyenne un capital socio-\u00e9conomique initial et des facilit\u00e9s d’apprentissage pr\u00e9alables sup\u00e9rieurs, facteurs qui faciliteraient leur \u00e9panouissement m\u00eame en l’absence de dipl\u00f4mes acad\u00e9miques.<\/p>\n Pour rompre cette endog\u00e9n\u00e9it\u00e9 inextricable, Angrist et Krueger ont exploit\u00e9 une caract\u00e9ristique institutionnelle singuli\u00e8re du syst\u00e8me \u00e9ducatif am\u00e9ricain : la date l\u00e9gale d’entr\u00e9e \u00e0 l’\u00e9cole combin\u00e9e aux lois sur l’obligation scolaire. Aux \u00c9tats-Unis, les enfants n\u00e9s au premier trimestre d’une ann\u00e9e civile d\u00e9butent l’\u00e9cole \u00e0 un \u00e2ge l\u00e9g\u00e8rement plus avanc\u00e9 que ceux n\u00e9s en fin d’ann\u00e9e. Parall\u00e8lement, la l\u00e9gislation de nombreux \u00c9tats autorisait les \u00e9l\u00e8ves \u00e0 quitter d\u00e9finitivement le syst\u00e8me scolaire le jour exact de leur seizi\u00e8me anniversaire. Par cons\u00e9quent, les adolescents n\u00e9s au d\u00e9but de l’ann\u00e9e atteignaient l’\u00e2ge l\u00e9gal d’\u00e9mancipation en ayant accompli moins de trimestres de scolarit\u00e9 effectifs que leurs camarades n\u00e9s plus tard dans l’ann\u00e9e.<\/p>\n Le trimestre de naissance devient alors une variable instrumentale id\u00e9ale :<\/p>\n Les estimations instrumentales ont r\u00e9v\u00e9l\u00e9 que chaque ann\u00e9e suppl\u00e9mentaire d’\u00e9tudes forc\u00e9e par l’obligation scolaire conf\u00e9rait un gain salarial r\u00e9el et un maintien substantiel des scores cognitifs, r\u00e9futant l’id\u00e9e que ces observations d\u00e9coulaient d’un simple mirage de pr\u00e9disposition g\u00e9n\u00e9tique.<\/p>\n Dans l’\u00e9valuation de l’efficacit\u00e9 des soins en sant\u00e9 mentale et en addictologie, l’\u00e9loignement physique par rapport aux structures de prise en charge sp\u00e9cialis\u00e9es fournit un cadre d’instrumentation spatial tr\u00e8s fr\u00e9quemment mobilis\u00e9. Prenons l’exemple d’une \u00e9tude observationnelle visant \u00e0 mesurer l’impact de la participation assidue \u00e0 des s\u00e9ances de psychoth\u00e9rapie cognitivo-comportementale sur la r\u00e9duction de l’anxi\u00e9t\u00e9 g\u00e9n\u00e9ralis\u00e9e. Il est document\u00e9 que les patients qui s’engagent spontan\u00e9ment dans un suivi psychoth\u00e9rapeutique au long cours pr\u00e9sentent un niveau de motivation au changement, une introspectivit\u00e9 et des ressources d’auto-r\u00e9gulation affective sans commune mesure avec ceux qui abandonnent pr\u00e9matur\u00e9ment le parcours de soins.<\/p>\n Pour contourner ce biais d’auto-s\u00e9lection comportementale, les \u00e9pid\u00e9miologistes utilisent la distance kilom\u00e9trique s\u00e9parant le domicile du patient du centre m\u00e9dico-psychologique le plus proche comme un instrument de l’observance th\u00e9rapeutique. La distance physique agit comme un co\u00fbt de transaction direct : plus le centre est \u00e9loign\u00e9, plus la probabilit\u00e9 de participation effective aux consultations r\u00e9guli\u00e8res diminue (la pertinence est hautement confirm\u00e9e). D’un point de vue clinique, il n’existe aucune justification th\u00e9orique permettant d’affirmer que vivre \u00e0 deux kilom\u00e8tres d’une clinique plut\u00f4t qu’\u00e0 quinze modifie directement les m\u00e9canismes neurobiologiques de l’anxi\u00e9t\u00e9 g\u00e9n\u00e9ralis\u00e9e (validit\u00e9 prima facie de la restriction d’exclusion).<\/p>\n Cette approche exige toutefois un contr\u00f4le statistique minutieux de l’auto-s\u00e9lection spatiale. Si les familles favoris\u00e9es ou les individus les plus sensibilis\u00e9s aux questions de sant\u00e9 mentale choisissent d\u00e9lib\u00e9r\u00e9ment d’emm\u00e9nager au sein des hypercentres urbains \u00e0 proximit\u00e9 imm\u00e9diate des grands plateaux hospitaliers, la distance g\u00e9ographique redevient endog\u00e8ne. Il est donc fondamental, dans ce type d’architecture d’analyse, d’inclure des contr\u00f4les rigoureux sur la densit\u00e9 m\u00e9dicale locale, le niveau socio-\u00e9conomique du quartier de r\u00e9sidence et les co\u00fbts fonciers pour pr\u00e9server l’ind\u00e9pendance de l’instrument.<\/p>\n Les r\u00e9formes institutionnelles inopin\u00e9es, les modifications des seuils d’admissibilit\u00e9 \u00e0 des dispositifs sociaux et les disparit\u00e9s g\u00e9ographiques dans l’application de la loi constituent un vivier in\u00e9puisable de variables instrumentales, souvent regroup\u00e9es sous l’appellation de quasi-exp\u00e9riences institutionnelles. En sant\u00e9 comportementale, les variations brutales des cadres r\u00e9glementaires permettent de d\u00e9coupler l’action de son contexte subjectif individuel.<\/p>\n Une configuration d\u00e9monstrative concerne l’\u00e9tude des cons\u00e9quences des hausses brutales des taxes d’accise sur les spiritueux et le tabac sur les hospitalisations d’urgence en psychiatrie. Les d\u00e9cisions fiscales sont vot\u00e9es par les parlements sous la pression de contraintes budg\u00e9taires macro\u00e9conomiques globales sans consid\u00e9ration directe de la dynamique individuelle des personnes vuln\u00e9rables d’un territoire donn\u00e9. Lorsqu’un \u00c9tat frontalier augmente unilat\u00e9ralement ses tarifs fiscaux de 25 %, l’analyste peut utiliser le niveau de taxation locale comme instrument exog\u00e8ne du volume de consommation d’alcool chez les individus d\u00e9pendants. L’instrument permet d’\u00e9liminer la confusion r\u00e9sultant du fait que la consommation individuelle fluctue selon des \u00e9v\u00e9nements de vie priv\u00e9s d\u00e9stabilisants (ruptures sentimentales, licenciements) qui sont eux-m\u00eames des causes majeures de passage \u00e0 l’acte pathologique.<\/p>\n De m\u00eame, les variations chronologiques de l’\u00e2ge d’ouverture des droits aux allocations de retraite ou les modifications r\u00e9glementaires des bar\u00e8mes de remboursement des actes de psychologie par l’assurance maladie ont permis de mesurer avec une rigueur in\u00e9dite le lien causal liant la cessation de l’activit\u00e9 professionnelle \u00e0 la d\u00e9c\u00e9l\u00e9ration du vieillissement c\u00e9r\u00e9bral, isolant le choc de rythme de vie de l’\u00e9tat de morbidit\u00e9 pr\u00e9existant des travailleurs.<\/p>\n L’une des utilisations les plus \u00e9l\u00e9gantes des variables instrumentales r\u00e9side au c\u0153ur m\u00eame des protocoles exp\u00e9rimentaux sous la forme de l’ajustement pour non-observance th\u00e9rapeutique. Dans un essai clinique randomis\u00e9 \u00e9valuant une nouvelle th\u00e9rapie d’acceptation et d’engagement contre la d\u00e9pression r\u00e9fractaire, l’assignation initiale des patients par tirage au sort (groupe intervention vs groupe t\u00e9moin sur liste d’attente) est, par d\u00e9finition, parfaitement exog\u00e8ne. Cependant, dans la r\u00e9alit\u00e9 clinique quotidienne, une proportion substantielle de participants assign\u00e9s au protocole actif refuse d’y assister, manque les s\u00e9ances ou abandonne pr\u00e9matur\u00e9ment le parcours en raison d’effets ind\u00e9sirables ou d’un d\u00e9couragement psychologique.<\/p>\n L’approche d’analyse \u00e9pid\u00e9miologique conventionnelle dite en \u00ab Intention de Traiter \u00bb (Intention-To-Treat ou ITT) compare l’int\u00e9gralit\u00e9 des participants selon leur groupe d’assignation initial, sans \u00e9gard pour leur participation effective. Si l’ITT prot\u00e8ge imp\u00e9rieusement l’exog\u00e9n\u00e9it\u00e9 du devis exp\u00e9rimental, elle sous-estime l’efficacit\u00e9 pharmacologique ou psychologique intrins\u00e8que du protocole, diluant l’effet th\u00e9rapeutique r\u00e9el au milieu de la non-observance. \u00c0 l’inverse, comparer na\u00efvement les seuls sujets observant le protocole aux non-observants (l’analyse per-protocole) r\u00e9introduit instantan\u00e9ment le biais de s\u00e9lection : les patients observant assid\u00fbment une th\u00e9rapie complexe sont g\u00e9n\u00e9ralement dot\u00e9s d’un soutien social plus solide et d’un meilleur pronostic clinique initial.<\/p>\n L’estimation par variable instrumentale r\u00e9sout magistralement cette aporie. Le chercheur utilise l’assignation al\u00e9atoire initiale (Z = 0 ou 1) comme un instrument parfait pour pr\u00e9dire la r\u00e9ception effective de l’intervention (X = nombre de s\u00e9ances suivies). L’assignation al\u00e9atoire satisfait par d\u00e9finition la condition d’exog\u00e9n\u00e9it\u00e9 (garantie par l’algorithme de tirage au sort) et la restriction d’exclusion (le fait d’\u00eatre plac\u00e9 formellement sur une liste n’am\u00e9liore pas en soi l’\u00e9tat psychique si le patient ne re\u00e7oit aucun suivi). En divisant l’effet ITT par la proportion de patients observants, l’estimateur de Wald instrumental identifie ce que la statistique appelle l’effet moyen du traitement chez les observants (Complier Average Causal Effect ou CACE), fournissant aux psychiatres et aux psychologues une mesure non biais\u00e9e de l’efficacit\u00e9 r\u00e9elle de l’intervention lorsqu’elle est concr\u00e8tement d\u00e9livr\u00e9e.<\/p>\n L’intrication \u00e9tiologique entre l’usage pr\u00e9coce de substances psychoactives et la survenue de d\u00e9compensations anxio-d\u00e9pressives ou psychotiques constitue l’un des d\u00e9bats les plus polaris\u00e9s de la psychiatrie moderne. Les \u00e9tudes observationnelles longitudinales documentent de fa\u00e7on constante que les consommateurs r\u00e9guliers de cannabis \u00e0 l’adolescence affichent un risque multipli\u00e9 par deux \u00e0 quatre de d\u00e9velopper un \u00e9pisode psychotique ou un trouble d\u00e9pressif caract\u00e9ris\u00e9 \u00e0 l’\u00e2ge adulte. N\u00e9anmoins, ces r\u00e9sultats demeurent la cible permanente de controverses scientifiques : cette relation est-elle purement causale, ou refl\u00e8te-t-elle une hypoth\u00e8se d’autom\u00e9dication o\u00f9 des adolescents pr\u00e9sentant des prodromes anxieux utilisent le t\u00e9trahydrocannabinol (THC) pour moduler leur affect n\u00e9gatif ? De surcro\u00eet, des vuln\u00e9rabilit\u00e9s neurobiologiques et environnementales communes (pr\u00e9carit\u00e9, maltraitance infantile) pr\u00e9disposent conjointement \u00e0 la toxicomanie et aux troubles mentaux.<\/p>\n Pour apporter une r\u00e9ponse causale \u00e0 cette controverse, les chercheurs ont tir\u00e9 parti des disparit\u00e9s g\u00e9ographiques et des calendriers d’ouverture des dispensaires de cannabis th\u00e9rapeutique ou r\u00e9cr\u00e9atif entre diff\u00e9rents comt\u00e9s ou cantons administratifs. Ces d\u00e9cisions de lib\u00e9ralisation ou de restriction de l’acc\u00e8s l\u00e9gal introduisent des variations exog\u00e8nes massives dans la disponibilit\u00e9 de proximit\u00e9 et les co\u00fbts mon\u00e9taires du produit, induisant des chocs d’accessibilit\u00e9 qui influencent directement la probabilit\u00e9 de consommation chez les jeunes r\u00e9sidents locaux.<\/p>\n En employant l’indice d’accessibilit\u00e9 l\u00e9gale spatiale comme instrument de la consommation effective de cannabis, les \u00e9tudes d’inf\u00e9rence causale les plus robustes ont pu \u00e9purer l’association des vuln\u00e9rabilit\u00e9s psychiques pr\u00e9existantes. Les r\u00e9sultats de ces mod\u00e9lisations confirment une fraction causale non n\u00e9gligeable : m\u00eame apr\u00e8s neutralisation des facteurs de confusion latents, l’exposition substantielle \u00e0 de fortes concentrations de cannabino\u00efdes pendant les phases critiques de maturation synaptique de l’adolescence conserve un impact d\u00e9stabilisateur ind\u00e9pendant sur les scores d’int\u00e9gration affective et le risque d’\u00e9pisodes dissociatifs ult\u00e9rieurs.<\/p>\n La d\u00e9gradation contemporaine des indicateurs de bien-\u00eatre mental chez les jeunes g\u00e9n\u00e9rations a co\u00efncid\u00e9 de mani\u00e8re spectaculaire avec l’expansion g\u00e9n\u00e9ralis\u00e9e des ordiphones et des plateformes de r\u00e9seaux sociaux. De multiples enqu\u00eates corr\u00e9lationnelles rapportent une courbe ascendante conjointe entre le temps d’\u00e9cran quotidien auto-d\u00e9clar\u00e9 et les scores mesur\u00e9s d’anxi\u00e9t\u00e9 sociale, de dysmorphophobie et d’id\u00e9ations suicidaires. Pourtant, le spectre du biais de s\u00e9lection et de la causalit\u00e9 bidirectionnelle fragilise les conclusions alarmistes : est-ce le flux continu d’images id\u00e9alis\u00e9es sur les r\u00e9seaux qui g\u00e9n\u00e8re la d\u00e9tresse, ou les adolescents d\u00e9j\u00e0 fragilis\u00e9s, socialement marginalis\u00e9s ou insomniaques qui passent davantage d’heures nocturnes isol\u00e9s devant leurs \u00e9crans par d\u00e9faut d’alternatives relationnelles ?<\/p>\n Pour trancher empiriquement ce dilemme d’endog\u00e9n\u00e9it\u00e9, plusieurs \u00e9quipes de recherche ont con\u00e7u des strat\u00e9gies d’instrumentation bas\u00e9es sur le calendrier technologique de d\u00e9ploiement des infrastructures de t\u00e9l\u00e9communication. La transition de la connexion mobile 3G vers les r\u00e9seaux \u00e0 tr\u00e8s haut d\u00e9bit (4G puis 5G) ou l’extension g\u00e9ographique de la fibre optique ne se sont pas op\u00e9r\u00e9es de fa\u00e7on uniforme : elles ont ob\u00e9i \u00e0 des contraintes techniques strictes, li\u00e9es au relief topographique, aux trac\u00e9s historiques des lignes ferroviaires ou \u00e0 des priorit\u00e9s d’am\u00e9nagement du g\u00e9nie civil totalement imperm\u00e9ables aux traits psychologiques des riverains.<\/p>\n L’arriv\u00e9e progressive du tr\u00e8s haut d\u00e9bit au sein d’une zone r\u00e9sidentielle stimule massivement le temps pass\u00e9 sur les applications vid\u00e9o immersives par les jeunes m\u00e9nages (pertinence de l’instrument). En comparant l’\u00e9volution des marqueurs de d\u00e9tresse psychologique des adolescents vivant dans des zones connect\u00e9es pr\u00e9cocement \u00e0 celle de zones aux profils socio-\u00e9conomiques similaires mais connect\u00e9es plus tardivement en raison de contraintes physiques de g\u00e9nie civil, l’approche par variable instrumentale a r\u00e9v\u00e9l\u00e9 des nuances capitales : si l’effet global d’un temps d’\u00e9cran passif s’av\u00e8re modeste, l’instrumentation isole un effet causal particuli\u00e8rement toxique et sp\u00e9cifique de l’usage interactif nocturne sur la dysr\u00e9gulation \u00e9motionnelle des jeunes adolescentes, un r\u00e9sultat que la r\u00e9gression na\u00efve diluait dans l’impr\u00e9cision des mesures agr\u00e9g\u00e9es.<\/p>\n Au confluent de la g\u00e9n\u00e9tique statistique et de l’\u00e9conom\u00e9trie de l’\u00e9valuation se trouve l’une des d\u00e9clinaisons les plus puissantes de l’approche instrumentale : la randomisation mend\u00e9lienne (Mendelian Randomization ou MR). Conceptualis\u00e9e par George Davey Smith et Shah Ebrahim au d\u00e9but des ann\u00e9es 2000, cette m\u00e9thodologie exploite la transmission des all\u00e8les parentaux lors de la m\u00e9iose comme une loterie biologique grandeur nature pour d\u00e9duire des causalit\u00e9s certaines entre biomarqueurs modifiables et ph\u00e9notypes complexes.<\/p>\n Le fondement th\u00e9orique repose sur les deux lois fondamentales de Gregor Mendel. La loi de s\u00e9gr\u00e9gation ind\u00e9pendante garantit que chaque individu h\u00e9rite d’une combinaison d’all\u00e8les assign\u00e9e au hasard au moment de la f\u00e9condation. La distribution des polymorphismes nucl\u00e9otidiques simples (Single Nucleotide Polymorphisms ou SNP) s’apparente ainsi \u00e0 un essai randomis\u00e9 planifi\u00e9 par la nature d\u00e8s la conception. Cette chronologie biologique conf\u00e8re \u00e0 la randomisation mend\u00e9lienne deux atouts m\u00e9thodologiques inattaquables :<\/p>\n Dans ce paradigme, un ou plusieurs SNP connus pour moduler pr\u00e9cis\u00e9ment l’expression d’un marqueur biologique interm\u00e9diaire (une enzyme, un taux d’hormone circulant, une prot\u00e9ine inflammatoire) sont \u00e9rig\u00e9s en variables instrumentales pour \u00e9valuer sans biais l’impact de ce biomarqueur sur un trouble neuropsychiatrique donn\u00e9.<\/p>\n La randomisation mend\u00e9lienne a permis de clarifier des controverses majeures en psychiatrie biologique, \u00e0 commencer par le r\u00f4le de l’inflammation syst\u00e9mique dans l’\u00e9tiologie du trouble d\u00e9pressif majeur. De multiples \u00e9tudes de laboratoire ont relev\u00e9 des taux sanguins anormalement \u00e9lev\u00e9s de prot\u00e9ine C-r\u00e9active (CRP) et d’interleukine-6 (IL-6) chez les patients en phase d\u00e9pressive aigu\u00eb. Pour savoir si cette inflammation chronique de bas grade constituait une cause directe de l’alt\u00e9ration de l’humeur ou une simple cons\u00e9quence somatique du stress chronique et des mauvaises habitudes de vie associ\u00e9es \u00e0 la d\u00e9pression, des \u00e9tudes de randomisation mend\u00e9lienne ont s\u00e9lectionn\u00e9 des variants g\u00e9n\u00e9tiques localis\u00e9s dans le g\u00e8ne du r\u00e9cepteur de l’IL-6 (IL6R), connus pour r\u00e9guler naturellement le tonus inflammatoire de l’organisme tout au long de la vie.<\/p>\n Les estimations instrumentales ont r\u00e9v\u00e9l\u00e9 que les personnes g\u00e9n\u00e9tiquement programm\u00e9es pour avoir des niveaux d’interleukine-6 fonctionnelle plus \u00e9lev\u00e9s pr\u00e9sentaient un risque accru de d\u00e9pression clinique au cours de leur existence, apportant la premi\u00e8re preuve causale v\u00e9ritable justifiant le d\u00e9veloppement pharmacologique d’antid\u00e9presseurs aux propri\u00e9t\u00e9s cibl\u00e9es anti-inflammatoires pour les sous-groupes de patients r\u00e9sistants.<\/p>\n Un autre champ d’application florissant concerne l’investigation causale bidirectionnelle entre architecture du sommeil et troubles bipolaires. L’usage de scores de risque polyg\u00e9nique (Polygenic Risk Scores ou PRS) instrumentant la pr\u00e9disposition au chronotype matinal versus vesp\u00e9ral a permis de d\u00e9montrer qu’une propension g\u00e9n\u00e9tique \u00e0 la veille nocturne alt\u00e8re durablement la stabilit\u00e9 des neurotransmetteurs dans les circuits cortico-limbiques, pr\u00e9cipitant l’alternance d’\u00e9pisodes maniaques et d\u00e9pressifs. De mani\u00e8re analogue, la randomisation mend\u00e9lienne a pu dissocier l’impact causal propre de l’indice de masse corporelle (IMC) sur la d\u00e9gradation de l’estime de soi des biais socio-culturels environnants, prouvant qu’une part essentielle de la souffrance psychologique mesur\u00e9e d\u00e9coulait de la stigmatisation sociale plut\u00f4t que de contraintes m\u00e9taboliques directes.<\/p>\n En d\u00e9pit de son \u00e9l\u00e9gance math\u00e9matique, la randomisation mend\u00e9lienne se heurte \u00e0 des d\u00e9fis redoutables d’ordre biologique qui menacent constamment la restriction d’exclusion et l’exog\u00e9n\u00e9it\u00e9 de l’instrument. Le premier de ces \u00e9cueils est la pl\u00e9iotropie horizontale. On parle de pl\u00e9iotropie horizontale lorsqu’un m\u00eame variant g\u00e9n\u00e9tique Z, s\u00e9lectionn\u00e9 initialement pour instrumenter un biomarqueur sp\u00e9cifique X, exerce \u00e9galement une influence r\u00e9gulatrice sur une ou plusieurs autres voies biologiques ind\u00e9pendantes W qui agissent directement sur la maladie psychiatrique Y.<\/p>\n Si un polymorphisme utilis\u00e9 pour mesurer l’impact de la CRP r\u00e9gule \u00e9galement le m\u00e9tabolisme lipidique ou l’activit\u00e9 des r\u00e9cepteurs s\u00e9rotoninergiques, la restriction d’exclusion est frontalement viol\u00e9e : l’effet du g\u00e8ne sur l’humeur ne passe plus exclusivement par l’interm\u00e9diaire de la prot\u00e9ine inflammatoire cibl\u00e9e. Pour diagnostiquer et neutraliser cette pl\u00e9iotropie horizontale, les m\u00e9thodologistes ont \u00e9labor\u00e9 des raffinements statistiques de pointe, \u00e0 l’instar de la r\u00e9gression MR-Egger. En ajustant une r\u00e9gression pond\u00e9r\u00e9e avec ordonn\u00e9e \u00e0 l’origine non contrainte, MR-Egger permet de tester formellement la pr\u00e9sence de pl\u00e9iotropie (si l’ordonn\u00e9e \u00e0 l’origine s’\u00e9carte significativement de z\u00e9ro) et d’obtenir un estimateur causal corrig\u00e9 de ce biais syst\u00e9matique.<\/p>\n Le second p\u00e9ril structurel r\u00e9side dans la stratification de population. Les fr\u00e9quences all\u00e9liques des variants g\u00e9n\u00e9tiques fluctuent naturellement entre diff\u00e9rentes populations d’origines g\u00e9ographiques distinctes, de m\u00eame que les pr\u00e9valences de base de certains traits culturels ou psychopathologiques. Si l’\u00e9chantillon d’analyse r\u00e9unit des individus d’ascendances diff\u00e9rentes sans stratification rigoureuse, une association purement fallacieuse peut \u00e9merger entre l’instrument g\u00e9n\u00e9tique et la variable de sant\u00e9 mentale en raison d’une confusion introduite par la sous-structure ancestrale. L’inclusion syst\u00e9matique des composantes principales de l’ADN g\u00e9nomique (les axes d’ascendance calcul\u00e9s par analyse en composantes principales) au sein des covariables de contr\u00f4le W est devenue le standard m\u00e9thodologique imp\u00e9ratif pour s\u00e9curiser l’ind\u00e9pendance exog\u00e8ne de l’instrument.<\/p>\n L’utilisation d’une variable instrumentale n’est pas un rem\u00e8de miracle exempt de risques statistiques majeurs. Le danger le plus insidieux auquel s’expose l’analyste r\u00e9side dans l’utilisation d’un instrument dont la corr\u00e9lation avec la variable endog\u00e8ne est r\u00e9elle, mais d’une intensit\u00e9 num\u00e9rique minime. C’est le probl\u00e8me fondamental des instruments faibles (\u00ab weak instruments \u00bb), document\u00e9 magistralement dans les travaux pionniers de Nelson et Startz (1990) ainsi que de Bound, Jaeger et Baker (1995).<\/p>\n Pour comprendre les cons\u00e9quences d\u00e9sastreuses de cette faiblesse, il convient de se pencher sur l’expression analytique approch\u00e9e du biais d’\u00e9chantillon fini de l’estimateur des Moindres Carr\u00e9s en Deux \u00c9tapes. Soit N la taille de l’\u00e9chantillon, K le nombre total d’instruments mobilis\u00e9s, et F la statistique de test \u00e9valuant la significativit\u00e9 globale des instruments lors de la premi\u00e8re \u00e9tape de r\u00e9gression. Le ratio du biais de l’estimateur instrumental (\u03b2\u03022SLS<\/sub> – \u03b2) par rapport au biais classique de l’estimateur par les moindres carr\u00e9s ordinaires (\u03b2\u0302OLS<\/sub> – \u03b2) s’approxime asymptotiquement par la formule de Bound :<\/p>\n E(\u03b2\u03022SLS<\/sub> – \u03b2) \/ E(\u03b2\u0302OLS<\/sub> – \u03b2) \u2248 1 \/ (F – 1)<\/p>\n Cette relation th\u00e9orique r\u00e9v\u00e8le un comportement statistique particuli\u00e8rement inqui\u00e9tant :<\/p>\n En pr\u00e9sence d’un instrument faible, les distributions d’\u00e9chantillonnage des estimateurs cessent d’ob\u00e9ir \u00e0 la loi normale canonique. Elles deviennent asym\u00e9triques, leptokurtiques et pr\u00e9sentent des queues de distribution extr\u00eamement \u00e9paisses (\u00ab heavy tails \u00bb). Les tests d’hypoth\u00e8se de Wald classiques subissent une distorsion catastrophique de leur taux d’erreur de premi\u00e8re esp\u00e8ce (taux de faux positifs) : un chercheur croyant tester un seuil d’incertitude standard \u00e0 5 % peut en r\u00e9alit\u00e9 op\u00e9rer avec un taux d’erreur empirique de 20, 30 ou 50 %, rejetant \u00e0 tort l’hypoth\u00e8se nulle d’absence d’effet et publiant des d\u00e9couvertes causales totalement fictives.<\/p>\n Face \u00e0 la menace des faux positifs induits par la faiblesse instrumentale, la communaut\u00e9 \u00e9conom\u00e9trique a d\u00e9velopp\u00e9 des r\u00e8gles de d\u00e9cision empiriques rigoureuses pour valider la robustesse des mod\u00e8les avant toute interpr\u00e9tation causale. La r\u00e8gle la plus universellement c\u00e9l\u00e8bre a \u00e9t\u00e9 \u00e9nonc\u00e9e par Douglas Staiger et James Stock dans leur publication de r\u00e9f\u00e9rence de 1997 : la r\u00e8gle empirique de F > 10.<\/p>\n Cette r\u00e8gle stipule que dans le cas d’un mod\u00e8le lin\u00e9aire comportant une unique variable endog\u00e8ne, l’analyste doit imp\u00e9rativement examiner la statistique F de Fisher associ\u00e9e au test de significativit\u00e9 conjointe des instruments dans la r\u00e9gression de premi\u00e8re \u00e9tape (testant l’hypoth\u00e8se nulle H0<\/sub> : \u03b31<\/sub> = … = \u03b3m<\/sub> = 0). Si cette statistique F est strictement inf\u00e9rieure au seuil de 10 (F < 10), les instruments doivent \u00eatre d\u00e9clar\u00e9s faibles, et les inf\u00e9rences issues de l’estimateur 2SLS conventionnel doivent \u00eatre rejet\u00e9es comme m\u00e9thodologiquement non fiables.<\/p>\n Par la suite, James Stock et Motohiro Yogo (2005) ont consid\u00e9rablement formalis\u00e9 et raffin\u00e9 cette heuristique en publiant des tables de valeurs critiques quantitatives bas\u00e9es sur des crit\u00e8res d’erreur stochastique pr\u00e9cis. Leurs tables \u00e9tablissent des seuils minimaux de la statistique F en fonction :<\/p>\n Ces d\u00e9veloppements modernes d\u00e9montrent que d\u00e8s que le nombre d’instruments s’\u00e9l\u00e8ve, le seuil s\u00e9curitaire de 10 devient souvent largement insuffisant. Dans de nombreuses configurations multi-instrumentales, la statistique F requise pour garantir une inf\u00e9rence robuste sans distorsion de taille de test peut ais\u00e9ment grimper \u00e0 des valeurs de 20, 30, voire d\u00e9passer 100.<\/p>\n Lorsqu’un chercheur est irr\u00e9m\u00e9diablement confront\u00e9 \u00e0 des instruments dont la force d’identification s’av\u00e8re modeste (ce qui constitue la r\u00e8gle plut\u00f4t que l’exception en \u00e9pid\u00e9miologie g\u00e9n\u00e9tique o\u00f9 chaque variant individuel n’explique qu’une fraction infime de la variance ph\u00e9notypique), il est imp\u00e9ratif d’abandonner l’estimateur 2SLS standard au profit de m\u00e9thodologies d’estimation et d’inf\u00e9rence robustes \u00e0 la faiblesse de l’identification.<\/p>\n L’alternative param\u00e9trique la plus \u00e9prouv\u00e9e est l’estimateur du Maximum de Vraisemblance \u00e0 Information Limit\u00e9e (Limited Information Maximum Likelihood ou LIML). Bien que math\u00e9matiquement \u00e9quivalent \u00e0 l’estimateur 2SLS dans un cadre de grand \u00e9chantillon avec instruments infiniment puissants, le LIML se comporte de mani\u00e8re infiniment sup\u00e9rieure dans les \u00e9chantillons de taille finie confront\u00e9s \u00e0 de multiples instruments faibles. Le LIML poss\u00e8de un biais m\u00e9dian asymptotique rigoureusement nul. Il ne se laisse pas attirer de mani\u00e8re asym\u00e9trique vers les estimations biais\u00e9es des moindres carr\u00e9s ordinaires, pr\u00e9servant ainsi une neutralit\u00e9 centrale remarquable dans l’estimation de l’amplitude de l’effet causal.<\/p>\n Sur le plan des tests d’hypoth\u00e8ses et de la construction des intervalles de confiance, le standard absolu repose sur la statistique d’Anderson-Rubin (test AR) d\u00e9velopp\u00e9e d\u00e8s 1949. L’immense sup\u00e9riorit\u00e9 du test d’Anderson-Rubin r\u00e9side dans sa robustesse exacte : la distribution de cette statistique sous l’hypoth\u00e8se nulle ob\u00e9it rigoureusement \u00e0 une loi de Chi-deux ou de Fisher, quelle que soit la force r\u00e9elle de l’instrument, m\u00eame si le coefficient du premier stade est strictement nul (\u03b3 = 0) ! En \u00ab inversant \u00bb le test d’Anderson-Rubin, le chercheur g\u00e9n\u00e8re des intervalles de confiance causaux dont le niveau de couverture nominal (par exemple 95 %) est invariablement garanti, prot\u00e9geant l’investigation scientifique de toute conclusion triomphale pr\u00e9matur\u00e9e.<\/p>\n Trouver un instrument \u00e0 la fois fortement pr\u00e9dictif et th\u00e9oriquement exog\u00e8ne rel\u00e8ve souvent du tour de force intellectuel. Dans cette qu\u00eate m\u00e9thodologique ardue, les analystes tombent fr\u00e9quemment dans le pi\u00e8ge de la fausse exog\u00e9n\u00e9it\u00e9, s\u00e9lectionnant des variables dont le lien avec le crit\u00e8re final semble absent au premier regard mais s’av\u00e8re insidieusement actif sous l’angle de la psychologie diff\u00e9rentielle ou des m\u00e9diations sociales.<\/p>\n L’un des pi\u00e8ges les plus embl\u00e9matiques r\u00e9side dans l’utilisation aveugle de variables macro\u00e9conomiques globales pour instrumenter des statuts personnels. Consid\u00e9rons une \u00e9tude s’int\u00e9ressant \u00e0 l’impact de la perte d’emploi individuelle (traitement endog\u00e8ne) sur la s\u00e9v\u00e9rit\u00e9 des sympt\u00f4mes d\u00e9pressifs (r\u00e9sultat final), en utilisant le taux de fermeture industrielle r\u00e9gionale comme instrument exog\u00e8ne. L’argumentaire avanc\u00e9 pr\u00e9tend que les faillites d’usines surviennent suite \u00e0 la mondialisation des \u00e9changes et ne d\u00e9pendent pas des comp\u00e9tences propres des ouvriers licenci\u00e9s.<\/p>\n La restriction d’exclusion d’une telle construction est pourtant lourdement compromise :<\/p>\n Un autre \u00e9cueil classique \u00e9merge de la n\u00e9gligence des m\u00e9canismes d’anticipation psychologique. Si une modification l\u00e9gislative imminente concernant l’\u00e2ge de d\u00e9part \u00e0 la retraite est annonc\u00e9e publiquement trois ans avant son application formelle, les salari\u00e9s ajustent imm\u00e9diatement leur \u00e9pargne, leur investissement psychologique au travail et leur niveau de stress existentiel. Utiliser la date calendrier d’entr\u00e9e en vigueur de la r\u00e9forme comme un instrument brutal viole l’exclusion, car l’anticipation de la politique a commenc\u00e9 \u00e0 alt\u00e9rer la sant\u00e9 mentale des sujets bien avant le passage r\u00e9el du seuil administratif.<\/p>\n Face \u00e0 l’impossibilit\u00e9 d’apporter une preuve formelle empirique de l’\u00e9tanch\u00e9it\u00e9 absolue de la restriction d’exclusion, l’attitude scientifique moderne ne consiste plus \u00e0 affirmer p\u00e9remptoirement que l’instrument est inviolable, mais \u00e0 quantifier la robustesse des conclusions causales face \u00e0 d’\u00e9ventuelles entorses mod\u00e9r\u00e9es \u00e0 ce postulat. C’est l’objectif de l’analyse de sensibilit\u00e9 pour instruments imparfaits (\u00ab Plausibly Exogenous \u00bb), formalis\u00e9e par Timothy Conley, Christian Hansen et Peter Rossi dans leur contribution m\u00e9thodologique majeure de 2012.<\/p>\n L’approche de Conley et de ses coauteurs propose de r\u00e9introduire explicitement le terme de violation directe dans l’\u00e9quation structurelle de seconde \u00e9tape :<\/p>\n Yi<\/sub> = \u03b20<\/sub> + \u03b21<\/sub>Xi<\/sub> + \u03b3Zi<\/sub> + \u03b5i<\/sub><\/p>\n Au lieu de poser dogmatiquement l’hypoth\u00e8se \u03b3 = 0, l’analyste mod\u00e9lise \u03b3 comme un param\u00e8tre dont l’amplitude peut d\u00e9vier mod\u00e9r\u00e9ment autour de z\u00e9ro selon une distribution de probabilit\u00e9 a priori fix\u00e9e par l’expertise du domaine (par exemple, en postulant que \u03b3 suit une loi normale d’esp\u00e9rance 0 et d’\u00e9cart-type calibr\u00e9 sur les connaissances th\u00e9oriques du probl\u00e8me). Cette technique permet de calculer des bornes causales pour le param\u00e8tre \u03b21<\/sub> sous diff\u00e9rents sc\u00e9narios d’imperfection de l’instrument.<\/p>\n Si l’intervalle de confiance estim\u00e9 pour le coefficient causal \u03b21<\/sub> exclut la valeur z\u00e9ro m\u00eame dans l’hypoth\u00e8se o\u00f9 l’instrument transmettrait directement 10 %, 15 % ou 20 % de variance parasite vers la variable d’int\u00e9r\u00eat, le chercheur peut conclure avec s\u00e9r\u00e9nit\u00e9 \u00e0 la solidit\u00e9 de sa d\u00e9monstration clinique ou comportementale. Si, \u00e0 l’inverse, la moindre fluctuation infinit\u00e9simale de \u03b3 autour de z\u00e9ro suffit \u00e0 faire basculer l’effet causal estim\u00e9 dans la non-significativit\u00e9 ou \u00e0 en inverser le sens alg\u00e9brique, la fragilit\u00e9 de la strat\u00e9gie d’instrumentation se trouve mise \u00e0 nu avec une transparence exemplaire.<\/p>\n Lorsque la condition d’exog\u00e9n\u00e9it\u00e9 ou la restriction d’exclusion est enfreinte au sein d’une mod\u00e9lisation empirique, les dommages statistiques sur l’estimation causale sont souvent infiniment plus pernicieux que le simple biais initial des moindres carr\u00e9s ordinaires. En pr\u00e9sence d’un instrument imparfait dont la corr\u00e9lation avec l’erreur est non nulle (Cov(Z, \u03b5) \u2260 0), la valeur asymptotique vers laquelle converge l’estimateur de Wald s’\u00e9tablit comme suit :<\/p>\n plim \u03b2\u0302IV<\/sub> = \u03b2 + [Corr(Z, \u03b5) \/ Corr(Z, X)] \u00d7 [\u03c3\u03b5<\/sub> \/ \u03c3X<\/sub>]<\/p>\n Cette d\u00e9composition met en lumi\u00e8re la redoutable dynamique du ratio de contamination. Le terme d’erreur r\u00e9siduel n’est pas simplement additionn\u00e9 au param\u00e8tre r\u00e9el ; il est divis\u00e9 par le coefficient de corr\u00e9lation reliant l’instrument \u00e0 la variable de traitement (Corr(Z, X)). Cette structure math\u00e9matique emporte des cons\u00e9quences radicales :<\/p>\n Ce constat d’une extr\u00eame vuln\u00e9rabilit\u00e9 confirme une r\u00e8gle m\u00e9thodologique d’or : une mod\u00e9lisation observationnelle na\u00efve honn\u00eatement discut\u00e9e est toujours pr\u00e9f\u00e9rable \u00e0 une mauvaise r\u00e9gression instrumentale reposant sur un instrument contamin\u00e9, dont l’apparence de sophistication algorithmique ne fait que masquer une d\u00e9formation exponentielle de la r\u00e9alit\u00e9 causale.<\/p>\n La mobilisation d’une variable instrumentale ne doit jamais constituer un automatisme aveugle. Dans la mesure o\u00f9 l’estimateur des variables instrumentales (2SLS) paie son absence th\u00e9orique de biais par une perte drastique de pr\u00e9cision statistique (ses erreurs-types \u00e9tant syst\u00e9matiquement sup\u00e9rieures \u00e0 celles des MCO), il n’y a aucun int\u00e9r\u00eat m\u00e9thodologique \u00e0 y recourir si le r\u00e9gresseur d’int\u00e9r\u00eat n’est pas fondamentalement endog\u00e8ne. Le test d’endog\u00e9n\u00e9it\u00e9 de Durbin-Wu-Hausman (commun\u00e9ment d\u00e9sign\u00e9 sous le terme de test de Hausman) r\u00e9pond pr\u00e9cis\u00e9ment \u00e0 cette question d’arbitrage.<\/p>\n Le test de Durbin-Wu-Hausman compare directement le vecteur des coefficients estim\u00e9s par les moindres carr\u00e9s ordinaires (\u03b2\u0302OLS<\/sub>) avec celui produit par l’estimateur instrumental (\u03b2\u03022SLS<\/sub>). La logique sous-jacente s’articule autour de deux hypoth\u00e8ses concurrentes :<\/p>\n La statistique de test suit asymptotiquement une distribution de Chi-deux, calcul\u00e9e \u00e0 partir de la diff\u00e9rence quadratique normalis\u00e9e entre les deux estimations :<\/p>\n H = (\u03b2\u03022SLS<\/sub> – \u03b2\u0302OLS<\/sub>)’ [Var(\u03b2\u03022SLS<\/sub>) – Var(\u03b2\u0302OLS<\/sub>)]-1<\/sup> (\u03b2\u03022SLS<\/sub> – \u03b2\u0302OLS<\/sub>)<\/p>\n Si la valeur p associ\u00e9e au test s’av\u00e8re statistiquement significative (g\u00e9n\u00e9ralement p < 0,05), l’hypoth\u00e8se nulle d’exog\u00e9n\u00e9it\u00e9 est formellement rejet\u00e9e. L’analyste dispose alors d’une preuve quantitative que le mod\u00e8le conventionnel est s\u00e9v\u00e8rement corrompu par un biais d’endog\u00e9n\u00e9it\u00e9, justifiant pleinement le recours \u00e0 l’arsenal plus lourd et moins pr\u00e9cis des variables instrumentales.<\/p>\n S’il est th\u00e9oriquement impossible de tester la validit\u00e9 de la restriction d’exclusion lorsqu’un chercheur dispose d’un instrument unique pour une seule variable endog\u00e8ne (mod\u00e8le exactement identifi\u00e9), la situation m\u00e9thodologique bascule radicalement d\u00e8s lors que le mod\u00e8le est sur-identifi\u00e9, c’est-\u00e0-dire lorsqu’il comporte davantage d’instruments que de r\u00e9gresseurs endog\u00e8nes (par exemple, deux ou trois instruments Z1<\/sub>, Z2<\/sub>, Z3<\/sub> pour un traitement X). Dans ce cadre privil\u00e9gi\u00e9, le test de sur-identification de Sargan-Hansen (ou statistique J de Hansen) permet de tester la coh\u00e9rence mutuelle de l’ensemble des instruments postul\u00e9s.<\/p>\n Le test J repose sur une intuition fondamentale : si l’int\u00e9gralit\u00e9 des instruments mobilis\u00e9s est rigoureusement exog\u00e8ne et respecte la restriction d’exclusion, les r\u00e9sidus structurels de l’estimation de seconde \u00e9tape (e\u03022SLS<\/sub> = Y – X\u03b2\u03022SLS<\/sub>) ne doivent pr\u00e9senter aucune corr\u00e9lation statistiquement significative avec aucun des instruments du vecteur Z. La proc\u00e9dure consiste \u00e0 r\u00e9gresser les r\u00e9sidus de seconde \u00e9tape sur l’ensemble des instruments disponibles et des covariables exog\u00e8nes, puis \u00e0 examiner la statistique de d\u00e9termination R2<\/sup> de cette r\u00e9gression auxiliaire.<\/p>\n La statistique de Sargan correspond au produit de la taille d’\u00e9chantillon par ce coefficient de d\u00e9termination :<\/p>\n J = N \u00d7 R2<\/sup><\/p>\n Sous l’hypoth\u00e8se nulle (H0<\/sub>) stipulant que tous les instruments sont conjointement valides et non corr\u00e9l\u00e9s au terme d’erreur structurel, la statistique J suit asymptotiquement une loi de Chi-deux dont les degr\u00e9s de libert\u00e9 sont \u00e9gaux au degr\u00e9 de sur-identification (nombre d’instruments K moins nombre de variables endog\u00e8nes L). Si le test d\u00e9bouche sur un rejet significatif de l’hypoth\u00e8se nulle (p < 0,05), le verdict est sans appel : au moins un des instruments mobilis\u00e9s est invalide, soit parce qu’il n’est pas exog\u00e8ne, soit parce qu’il exerce une influence directe non autoris\u00e9e sur la variable d\u00e9pendante Y. Bien que le test ne puisse d\u00e9signer nominativement quel instrument pr\u00e9cis est coupable de d\u00e9faillance, il enjoint imp\u00e9rativement l’analyste \u00e0 purger son mod\u00e8le des instruments suspects.<\/p>\n Au-del\u00e0 de l’endog\u00e9n\u00e9it\u00e9 et de la sur-identification, une analyse \u00e9conom\u00e9trique contemporaine exige la v\u00e9rification m\u00e9thodique du rang de la matrice des projections de premier niveau afin d’\u00e9carter toute menace de sous-identification ou d’identification d\u00e9ficiente. Ces diagnostics \u00e9valuent si la relation statistique liant le sous-espace des instruments \u00e0 la variable endog\u00e8ne est suffisamment robuste pour autoriser une inversion matricielle stable.<\/p>\n Le test de sous-identification \u00e9value l’hypoth\u00e8se nulle stipulant que le mod\u00e8le n’est tout simplement pas identifi\u00e9, ce qui \u00e9quivaut \u00e0 affirmer que la matrice des coefficients des instruments dans l’\u00e9quation de premier niveau est de rang incomplet (absence de corr\u00e9lation globale). Deux statistiques principales dominent la pratique :<\/p>\n Un rejet clair de l’hypoth\u00e8se nulle (valeur p hautement significative) assure que le mod\u00e8le franchit le seuil minimal de l’identification matricielle : les instruments pr\u00e9disent de fa\u00e7on v\u00e9rifiable la variable de traitement.<\/p>\n Dans un second temps, l’analyste se doit d’\u00e9valuer la faible identification \u00e0 l’aide de la statistique de Wald de Cragg-Donald (sous hypoth\u00e8se d’homosc\u00e9dasticit\u00e9) ou de la statistique de Wald de Kleibergen-Paap rk (sous h\u00e9t\u00e9rosc\u00e9dasticit\u00e9). Cette statistique scalaire unique est alors directement confront\u00e9e aux tables de valeurs critiques de Stock-Yogo pour d\u00e9terminer si l’instrument d\u00e9passe les seuils minimaux de tol\u00e9rance de distorsion de biais et de taille. Ces diagnostics d’identification forment d\u00e9sormais la batterie de tests obligatoire exig\u00e9e par les comit\u00e9s de lecture des revues scientifiques les plus exigeantes avant d’accorder la moindre cr\u00e9dibilit\u00e9 aux pr\u00e9tentions causales d’un travail d’\u00e9valuation.<\/p>\n L’une des avanc\u00e9es conceptuelles les plus remarquables de l’inf\u00e9rence causale moderne, couronn\u00e9e par l’attribution du Prix Nobel d’\u00c9conomie \u00e0 Guido Imbens et Joshua Angrist en 2021<\/a>, r\u00e9side dans la r\u00e9interpr\u00e9tation de ce que mesure pr\u00e9cis\u00e9ment une variable instrumentale en pr\u00e9sence d’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des effets de traitement au sein de la population. Dans les populations humaines r\u00e9elles, l’impact d’une psychoth\u00e9rapie, d’un m\u00e9dicament ou d’une exp\u00e9rience de vie n’est jamais constant ni universellement homog\u00e8ne ; il oscille consid\u00e9rablement selon les singularit\u00e9s biologiques et psychologiques de chaque individu.<\/p>\n Dans ce contexte h\u00e9t\u00e9rog\u00e8ne r\u00e9aliste, Imbens et Angrist (1994) ont d\u00e9montr\u00e9 que pour un instrument binaire Z et un traitement binaire X, la population globale se subdivise rigoureusement en quatre sous-groupes comportementaux latents distincts, d\u00e9finis par leur mani\u00e8re de r\u00e9agir \u00e0 la pr\u00e9sence de l’instrument :<\/p>\n Pour autoriser l’identification causale, la th\u00e9orie impose l’hypoth\u00e8se de monotonicit\u00e9 (ou absence de d\u00e9fieurs). Cette hypoth\u00e8se postule que l’instrument affecte la probabilit\u00e9 de traitement de tous les individus dans le m\u00eame sens : l’instrument peut pousser certaines personnes \u00e0 adopter le traitement, mais il ne dissuade personne qui l’aurait pris en son absence. Sous cette condition fondamentale, l’estimateur par variable instrumentale mesure exclusivement ce que les auteurs nomment l’Effet de Traitement Moyen Local (Local Average Treatment Effect ou LATE) : l’effet causal moyen du traitement circonscrit strictement et uniquement au sous-groupe des individus observants (Compliers).<\/p>\n La d\u00e9couverte du LATE bouleverse profond\u00e9ment la port\u00e9e des conclusions cliniques et comportementales en introduisant une d\u00e9marcation conceptuelle nette entre diff\u00e9rents param\u00e8tres causaux de population. Les analystes distinguent classiquement trois grandeurs fondamentales :<\/p>\n Le pi\u00e8ge interpr\u00e9tatif majeur consiste \u00e0 assimiler le LATE \u00e0 l’ATE global. Dans la grande majorit\u00e9 des investigations en psychiatrie ou en psychologie sociale, le sous-groupe des \u00ab compliers \u00bb ne constitue pas un \u00e9chantillon repr\u00e9sentatif de l’ensemble des patients. Les observants sont pr\u00e9cis\u00e9ment les individus se situant \u00e0 la marge de l’ind\u00e9cision, dont la vuln\u00e9rabilit\u00e9 ou la flexibilit\u00e9 comportementale les rend perm\u00e9ables \u00e0 une incitation ext\u00e9rieure (l’instrument). Les individus souffrant des pathologies d\u00e9pressives les plus extr\u00eames et invalidantes peuvent appartenir massivement \u00e0 la classe des r\u00e9fractaires permanents (never-takers), insensibles aux programmes de relance t\u00e9l\u00e9phonique ou aux aides de d\u00e9placement.<\/p>\n Par cons\u00e9quent, g\u00e9n\u00e9raliser inconsid\u00e9r\u00e9ment une estimation LATE \u00e0 l’ensemble du spectre clinique d’une pathologie constitue une faute de validit\u00e9 externe. L’estimateur instrumental documente une efficacit\u00e9 r\u00e9elle ind\u00e9niable, mais cette efficacit\u00e9 est intrins\u00e8quement contextualis\u00e9e par le profil psychologique et social particulier des individus dont l’action a \u00e9t\u00e9 catalys\u00e9e par le levier de l’instrument.<\/p>\n Une cons\u00e9quence fascinante et d\u00e9routante de la th\u00e9orie du LATE r\u00e9side dans le fait que l’effet causal mesur\u00e9 d’un m\u00eame traitement X d\u00e9pend intimement de l’instrument Z s\u00e9lectionn\u00e9 par le chercheur. Imaginons deux \u00e9quipes d’\u00e9pid\u00e9miologistes \u00e9valuant les vertus d’une activit\u00e9 sportive r\u00e9guli\u00e8re sur le ralentissement du vieillissement cognitif au sein d’une m\u00eame m\u00e9tropole :<\/p>\n Bien que les deux recherches analysent rigoureusement la m\u00eame relation causale (sport et fonctions ex\u00e9cutives c\u00e9r\u00e9brales), elles estimeront fort probablement deux LATE statistiquement divergents ! Le premier LATE quantifiera l’impact de l’exercice chez des personnes en situation de pr\u00e9carit\u00e9 mon\u00e9taire, tandis que le second \u00e9valuera l’effet chez des salari\u00e9s urbains dynamiques. Chacune des estimations est parfaitement exacte et non biais\u00e9e, mais chacune refl\u00e8te une r\u00e9alit\u00e9 locale distincte fa\u00e7onn\u00e9e par l’instrument.<\/p>\n Il est donc imp\u00e9ratif, dans tout rapport d’\u00e9valuation scientifique, de caract\u00e9riser sociologiquement et cliniquement la sous-population des observants. En analysant la proportion de compliers au sein de l’\u00e9chantillon et en documentant leurs variables pr\u00e9-interventionnelles (\u00e2ge m\u00e9dian, niveau socio-culturel de base, s\u00e9v\u00e9rit\u00e9 clinique initiale), les chercheurs transforment le LATE d’une apparente limitation statistique en un formidable outil de m\u00e9decine personnalis\u00e9e et d’intervention comportementale cibl\u00e9e.<\/p>\n L’engagement dans une strat\u00e9gie de variables instrumentales ne doit se concr\u00e9tiser qu’au terme d’un processus d\u00e9lib\u00e9ratif m\u00e9thodique, guid\u00e9 par un arbre de d\u00e9cision rigoureux. L’analyste doit successivement franchir plusieurs \u00e9tapes de validation th\u00e9orique et op\u00e9rationnelle avant d’arr\u00eater son choix m\u00e9thodologique :<\/p>\n Si toutes ces balises sont franchies avec succ\u00e8s, le recours \u00e0 la m\u00e9thode des variables instrumentales s’impose alors comme la voie royale pour extraire une inf\u00e9rence causale transparente et incontestable.<\/p>\n L’ex\u00e9cution computationnelle de l’estimation par variables instrumentales b\u00e9n\u00e9ficie aujourd’hui d’impl\u00e9mentations standardis\u00e9es hautement performantes au sein des trois environnements de programmation statistique dominants de la recherche scientifique.<\/p>\n Sous l’environnement R, le package de r\u00e9f\u00e9rence historique est le module AER (Applied Econometrics with R), qui fournit la c\u00e9l\u00e8bre fonction Pour les donn\u00e9es de panel de grande dimension comportant des effets fixes multiples (par exemple des effets fixes individus et des effets fixes temporels), le package moderne Dans l’\u00e9cosyst\u00e8me Python, l’analyse instrumentale moderne s’articule autour de la biblioth\u00e8que sp\u00e9cialis\u00e9e Sous le logiciel Stata, traditionnellement pl\u00e9biscit\u00e9 par les revues biom\u00e9dicales et \u00e9conomiques, la commande int\u00e9gr\u00e9e Ces commandes post-estimation automatisent en une fraction de seconde le calcul des statistiques F de premier stade, les tests d’Anderson-Rubin, le test de Durbin-Wu-Hausman ainsi que le test de sur-identification de Sargan, fournissant au chercheur une vue panoramique instantan\u00e9e sur l’int\u00e9grit\u00e9 statistique de son mod\u00e8le.<\/p>\n Afin de garantir la reproductibilit\u00e9 m\u00e9thodologique et de satisfaire aux standards de rigueur des plus grandes revues internationales \u00e0 comit\u00e9 de lecture, tout article scientifique mobilisant l’approche par variables instrumentales devrait imp\u00e9rativement inclure dans son corps de texte ou en annexe m\u00e9thodologique la checklist de transparence suivante :<\/p>\n L’application rigoureuse de ces standards d’int\u00e9grit\u00e9 m\u00e9thodologique transforme l’outil des variables instrumentales en une passerelle scientifique irrempla\u00e7able, permettant aux sciences du comportement d’acc\u00e9der \u00e0 une compr\u00e9hension authentiquement causale de la complexit\u00e9 humaine.<\/p>\n2.2 Repr\u00e9sentation graphique via les mod\u00e8les causaux structuraux (DAG)<\/h3>\n
\n
2.3 Formulation math\u00e9matique de l’estimateur instrumental<\/h3>\n
3. Les conditions fondamentales de validit\u00e9 d’un instrument<\/h2>\n
3.1 La condition de pertinence (Relevance Condition)<\/h3>\n
3.2 La condition d’exog\u00e9n\u00e9it\u00e9 ou d’ind\u00e9pendance<\/h3>\n
3.3 La restriction d’exclusion (Exclusion Restriction)<\/h3>\n
4. La m\u00e9thode des moindres carr\u00e9s en deux \u00e9tapes (2SLS \/ MC2E)<\/h2>\n
4.1 Premi\u00e8re \u00e9tape : D\u00e9composition et purge de l’endog\u00e9n\u00e9it\u00e9<\/h3>\n
4.2 Seconde \u00e9tape : Estimation de l’effet causal non biais\u00e9<\/h3>\n
![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/instrumentalvariable2.png\")
<\/figure>\n4.3 Extensions multivari\u00e9es et instruments multiples<\/h3>\n
5. Exemples classiques en sciences sociales et comportementales<\/h2>\n
5.1 L’effet de l’\u00e9ducation sur les fonctions cognitives et les revenus<\/h3>\n
\n
5.2 La proximit\u00e9 g\u00e9ographique des infrastructures comme instrument<\/h3>\n
5.3 L’impact des politiques publiques et changements l\u00e9gislatifs<\/h3>\n
6. Applications concr\u00e8tes en psychologie et en psychiatrie<\/h2>\n
6.1 Non-observance th\u00e9rapeutique dans les essais cliniques randomis\u00e9s<\/h3>\n
<\/figure>\n6.2 Consommation de substances et comorbidit\u00e9s anxio-d\u00e9pressives<\/h3>\n
6.3 Temps d’\u00e9cran et d\u00e9tresse psychologique chez les adolescents<\/h3>\n
7. La randomisation mend\u00e9lienne : La g\u00e9n\u00e9tique comme instrument naturel<\/h2>\n
7.1 Principes de la randomisation mend\u00e9lienne en \u00e9pid\u00e9miologie psychiatrique<\/h3>\n
\n
7.2 Exemples d’application aux biomarqueurs et troubles mentaux<\/h3>\n
![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/instrumentalvariable3.png\")
<\/figure>\n7.3 D\u00e9fis majeurs : Pl\u00e9iotropie horizontale et stratification de population<\/h3>\n
8. Le probl\u00e8me des instruments faibles (Weak Instruments)<\/h2>\n
8.1 M\u00e9canisme et cons\u00e9quences de la faiblesse instrumentale<\/h3>\n
\n
8.2 La r\u00e8gle empirique du test F de premier niveau<\/h3>\n
\n
8.3 Approches et estimateurs alternatifs face aux instruments faibles<\/h3>\n
9. Violation de la restriction d’exclusion et biais d’endog\u00e9n\u00e9it\u00e9 r\u00e9siduel<\/h2>\n
9.1 Les pi\u00e8ges fr\u00e9quents dans la s\u00e9lection des instruments<\/h3>\n
\n
9.2 Analyse de sensibilit\u00e9 aux d\u00e9viations de l’exclusion<\/h3>\n
9.3 Cons\u00e9quences empiriques d’une violation conjointe<\/h3>\n
\n
10. Diagnostics statistiques et tests empiriques des instruments<\/h2>\n
10.1 Test d’endog\u00e9n\u00e9it\u00e9 de Durbin-Wu-Hausman<\/h3>\n
\n
![\"Instrumental](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/instrumentalvariable4.png\")
10.2 Test de sur-identification de Sargan-Hansen (Test J)<\/h3>\n
10.3 Diagnostics de sous-identification et de faible identification<\/h3>\n
\n
11. Effet de traitement moyen local (LATE) et h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des effets<\/h2>\n
11.1 D\u00e9finition et typologie des populations selon Imbens et Angrist<\/h3>\n
\n
11.2 Diff\u00e9rences entre LATE, ATE et ATT en recherche clinique<\/h3>\n
\n
11.3 Facteurs contextuels modifiant l’interpr\u00e9tation du LATE<\/h3>\n
\n
12. Guide pratique de mise en \u0153uvre et bonnes pratiques m\u00e9thodologiques<\/h2>\n
12.1 Arbre de d\u00e9cision pour le recours aux variables instrumentales<\/h3>\n
\n
12.2 Impl\u00e9mentation informatique avec R, Python et Stata<\/h3>\n
ivreg()<\/code>. La syntaxe repose sur une s\u00e9paration \u00e9l\u00e9gante par une barre verticale (\u00ab | \u00bb), o\u00f9 la partie gauche de la barre sp\u00e9cifie les r\u00e9gresseurs de seconde \u00e9tape et la partie droite liste l’ensemble des variables exog\u00e8nes et des instruments :<\/p>\nmodele_iv <- ivreg(Y ~ X + W1 + W2 | Z + W1 + W2, data = mon_dataframe)<\/code><\/p>\nfixest<\/code> et sa commande feols()<\/code> offrent des performances de calcul prodigieuses, int\u00e9grant automatiquement des calculs de matrice de variance-covariance robustes aux grappes d’\u00e9chantillonnage.<\/p>\nlinearmodels<\/code>. La classe IV2SLS<\/code> permet d’instancier un mod\u00e8le complet en sp\u00e9cifiant explicitement les variables d\u00e9pendantes, les variables exog\u00e8nes de contr\u00f4le, les variables endog\u00e8nes cibl\u00e9es et le vecteur des instruments :<\/p>\nfrom linearmodels.iv import IV2SLS<\/code>
\nmodele = IV2SLS(dependent=df['Y'], exog=df[['const', 'W1']], endog=df['X'], instruments=df['Z']).fit(cov_type='robust')<\/code><\/p>\nivregress 2sls<\/code> assure l’estimation compl\u00e8te avec une batterie automatique de diagnostics post-estimation :<\/p>\nivregress 2sls Y W1 (X = Z), vce(robust)<\/code>
\nestat firststage<\/code>
\nestat overid<\/code>
\nestat endogenous<\/code><\/p>\n12.3 Checklist de transparence pour la publication scientifique<\/h3>\n
\n
R\u00e9f\u00e9rences<\/h2>\n
\n