Paul Rosenbaum – 1955 Présent

Biography

L’histoire de la statistique contemporaine et de l’épistémologie des sciences empiriques est marquée par des ruptures conceptuelles majeures qui ont transformé notre rapport à la preuve scientifique. Parmi les figures intellectuelles dominantes de cette révolution silencieuse, le statisticien américain Paul R. Rosenbaum occupe une place singulière et magistrale. Depuis le début des années 1980, ses travaux théoriques et appliqués ont profondément refondé la méthodologie des études observationnelles, comblant le fossé qui séparait traditionnellement l’expérimentation aléatoire contrôlée — souvent considérée comme l’idéal inaccessible de la démarche scientifique — des données de terrain imparfaites, soumises aux aléas du monde réel, aux contraintes éthiques et aux biais humains.

En étroite articulation avec les modèles contrefactuels formalisés par Donald Rubin, Paul Rosenbaum a développé un corpus méthodologique d’une profondeur exceptionnelle. De la formalisation mathématique rigoureuse du score de propension en 1983 jusqu’aux formulations avancées de l’analyse de sensibilité non paramétrique et des algorithmes d’appariement optimal fondés sur la théorie des graphes, son œuvre s’est érigée en référence incontournable. Elle irrigue aujourd’hui la recherche translationnelle en psychiatrie, en psychologie clinique, en épidémiologie, en économétrie comportementale ainsi qu’en sciences sociales, offrant aux chercheurs les outils nécessaires pour distinguer la causalité authentique des simples associations trompeuses engendrées par des facteurs de confusion non mesurés.

Le présent article propose une exploration intégrale et systématique de la pensée, du parcours académique et de l’héritage intellectuel de Paul Rosenbaum, de sa naissance en 1955 à ses contributions les plus actuelles. À travers une analyse didactique et approfondie de ses principes mathématiques, de ses protocoles quasi-expérimentaux et de ses débats épistémologiques avec d’autres courants de l’inférence causale, nous mettons en lumière comment ce savant a transformé la quête de vérité dans les sciences de l’esprit et du comportement, établissant un nouveau standard de rigueur méthodologique et d’honnêteté intellectuelle.

1. Introduction à la vie et à l’œuvre de Paul R. Rosenbaum

1.1 Repères biographiques et ancrage chronologique

Né en 1955 aux États-Unis, Paul Richard Rosenbaum a grandi à une époque où la statistique mathématique connaissait une phase de transition majeure, oscillant entre les méthodes inférentielles paramétriques formalisées au début du XXe siècle par Ronald Fisher et Jerzy Neyman, et l’émergence des approches non paramétriques et robustes. Dès ses premières années universitaires, Rosenbaum manifeste une inclination profonde pour les structures mathématiques fondamentales, tout en nourrissant une fascination constante pour leur utilité concrète dans la résolution de dilemmes sociétaux et biomédicaux complexes. Sa formation s’inscrit au sein des départements de statistique les plus exigeants de la côte Est américaine, où l’accent est mis sur la précision analytique et le refus des compromis méthodologiques superficiels.

Son ancrage institutionnel majeur se cristallise rapidement à l’Université de Pennsylvanie, plus précisément au sein du département de statistique de la prestigieuse Wharton School. C’est dans ce sanctuaire de la modélisation quantitative qu’il bâtit l’essentiel de sa carrière, franchissant tous les échelons académiques jusqu’à devenir le professeur titulaire de la chaire Robert G. Putzel en statistique et science des données. Son parcours académique, qui s’étend sans interruption de la fin des années 1970 jusqu’à nos jours, se distingue par une fidélité exemplaire à la recherche fondamentale couplée à une dissémination continue de ses outils au bénéfice des disciplines appliquées.

La trajectoire scientifique de Paul Rosenbaum est indissociable de l’évolution même de l’inférence causale moderne. Alors que les années 1970 et 1980 voyaient fleurir une confiance parfois aveugle dans les modèles de régression linéaire et logistique pour ajuster les données observationnelles, Rosenbaum a fait preuve d’une lucidité critique singulière. Il a consacré sa vie à démontrer que l’ajustement mécanique par équations de régression masquait fréquemment des hypothèses non testées et des extrapolations abusives. En se consacrant à la construction d’une théorie rigoureuse du contrôle des biais, il a transformé la réputation des données observationnelles, les hissant au rang d’instruments légitimes et fiables pour l’élaboration des politiques publiques et des protocoles cliniques.

1.2 Révolution méthodologique au service des sciences psychologiques

L’apport de Paul Rosenbaum revêt une dimension particulièrement révolutionnaire au sein des sciences psychologiques et psychiatriques. Dans ces disciplines, l’expérimentation aléatoire se heurte régulièrement à des barrières déontologiques infranchissables. Il est, par exemple, rigoureusement impossible d’assigner aléatoirement des enfants à des conditions de maltraitance parentale, d’exposer des individus sains à des traumatismes sévères pour en mesurer les séquelles cognitives, ou encore d’imposer l’interruption prolongée d’une psychothérapie chez des patients présentant un risque suicidaire aigu. Face à ces impasses éthiques, les chercheurs en psychologie ont longtemps été contraints soit de renoncer à toute affirmation causale, soit de recourir à des comparaisons naïves entachées de biais massifs.

La méthodologie développée par Paul Rosenbaum a offert une porte de sortie salutaire à ces dilemmes. En fournissant des protocoles mathématiquement fondés permettant d’exploiter les données issues de situations naturelles ou de cohortes cliniques rétrospectives, il a rendu possible l’estimation des effets thérapeutiques et comportementaux avec une rigueur comparable, sous certaines conditions strictes, à celle des essais cliniques randomisés. Les méthodologistes de la psychologie ont trouvé dans ses concepts d’appariement optimal et d’équilibrage des covariables un moyen de neutraliser les facteurs de confusion liés aux caractéristiques psychologiques préexistantes, telles que la personnalité, la sévérité initiale des symptômes ou le statut socio-émotionnel.

Cette contribution a catalysé un véritable changement de paradigme épistémologique dans l’évaluation des interventions comportementales. L’évaluation des thérapies cognitives et comportementales, des programmes d’éducation spécialisée et des dispositifs de réinsertion sociale a pu s’affranchir du soupçon permanent de biais de sélection. La communauté des psychologues quantitatifs et des cliniciens a reconnu en Rosenbaum l’artisan d’une méthodologie de la preuve capable de respecter scrupuleusement la complexité humaine et la liberté des patients, tout en maintenant les standards statistiques les plus intransigeants.

1.3 Cadre conceptuel général de ses travaux

Le cadre théorique au sein duquel s’inscrit l’œuvre de Rosenbaum trouve ses racines dans le modèle causal de Neyman-Rubin, couramment désigné sous le terme de cadre des résultats potentiels (potential outcomes framework). Toutefois, là où Rubin a formalisé l’ontologie des effets causaux individuels et de la moyenne des effets de traitement, Rosenbaum a enrichi ce paradigme d’une architecture probabiliste novatrice et d’une ingénierie algorithmique sophistiquée. Pour Rosenbaum, l’inférence causale ne consiste pas simplement à estimer un paramètre numérique d’impact, mais à concevoir une véritable démarche de réfutation, inspirée du falsificationnisme de Karl Popper et des principes de l’épidémiologiste Sir Austin Bradford Hill.

Au cœur de sa modélisation réside une préoccupation centrale : le spectre de la variable de confusion non mesurée. Dans les sciences comportementales et psychométriques, la totalité des déterminants d’une décision ou d’un état mental ne peut jamais être intégrée dans une base de données. L’anxiété sous-jacente, la motivation intrinsèque, les micro-traumatismes non verbalisés ou les variations épigénétiques constituent des variables latentes omniprésentes. Rosenbaum a formalisé avec une précision clinique la manière dont ces facteurs d’ombre perturbent l’assignation au traitement, proposant des méthodes novatrices pour tester la stabilité des conclusions scientifiques face à ces biais cachés.

Enfin, Rosenbaum a inlassablement milité pour une différenciation stricte et intangible entre l’association statistique brute et l’inférence causale robuste. Alors que la statistique descriptive classique se satisfait de corréler des variables mesurées, la perspective de Rosenbaum exige que toute revendication causale soit soutenue par une étude exhaustive du processus générateur de données. Cette séparation méthodologique impose que l’analyste prenne en compte la dynamique temporelle, les mécanismes de sélection des sujets et les conditions contrefactuelles, transformant la statistique appliquée en une véritable discipline d’investigation quasi-médicolégale du réel.

2. Origines intellectuelles et formation académique

2.1 Parcours universitaire initial et influences théoriques

L’itinéraire intellectuel de Paul Rosenbaum s’amorce par des études de premier cycle particulièrement brillantes en mathématiques, où il acquiert une maîtrise souveraine de l’analyse réelle, des probabilités de Kolmogorov et de l’algèbre linéaire avancée. Très vite, son intérêt se déplace vers la statistique mathématique, discipline qu’il perçoit non comme un simple appendice des mathématiques pures, mais comme un langage d’arbitrage face à l’incertitude du monde physique et social. Il poursuit ses études de doctorat au sein du département de statistique de l’Université de Harvard, épicentre mondial de l’innovation théorique au tournant des années 1970 et 1980.

Durant son passage à Harvard, le jeune Rosenbaum est profondément imprégné par les développements contemporains de la statistique non paramétrique, de la théorie des rangs et de l’analyse robuste incarnée par des figures de premier plan telles que Peter Huber et John Tukey. Il prend rapidement conscience des limites intrinsèques des approches paramétriques standard, fondées sur l’hypothèse souvent irréaliste de normalité des distributions. Dans le même temps, il observe avec scepticisme la pratique dominante qui consiste à appliquer des modèles de régression par moindres carrés ordinaires à des données comportementales complexes sans vérifier les conditions d’adéquation structurelle.

Cette prise de conscience engendre chez lui une volonté farouche de repenser les méthodes d’ajustement conventionnelles. Sous la tutelle bienveillante et exigeante des maîtres de Harvard, il commence à explorer les mécanismes mathématiques qui régissent les défaillances des estimateurs statistiques classiques en présence de biais de sélection non linéaires. Sa thèse de doctorat, achevée en 1980, pose les premiers jalons d’une réflexion systématique sur l’appariement et la modélisation des probabilités d’affectation aux traitements médicaux et sociaux, révélant déjà un esprit analytique d’une rare pénétration.

2.2 Rencontre et collaboration avec Donald B. Rubin

Le tournant déterminant de la carrière de Paul Rosenbaum intervient lorsqu’il noue un dialogue intellectuel étroit avec Donald B. Rubin, alors l’un des professeurs et chercheurs les plus novateurs dans le domaine des données manquantes et de l’inférence causale. Rubin avait formalisé quelques années auparavant le modèle des résultats potentiels, démontrant que l’inférence causale pouvait être conceptualisée comme un problème fondamental de données manquantes : pour un même sujet, on observe soit son état sous traitement, soit son état sans traitement, mais jamais les deux simultanément. Cependant, il manquait encore à cette intuition ontologique un outil mathématique universel pour neutraliser efficacement les biais de sélection multidimensionnels sans dépendre de modèles de régression arbitraires.

La collaboration entre Rosenbaum et Rubin, initiée au début des années 1980, se caractérise par une synergie intellectuelle exceptionnelle. Rubin apporte sa vision contrefactuelle révolutionnaire et son sens aigu de la modélisation épistémologique, tandis que Rosenbaum injecte une rigueur mathématique foudroyante, une maîtrise experte de la théorie des probabilités conditionnelles et une vision algorithmique orientée vers l’optimisation combinatoire et l’appariement. Ensemble, ils s’attellent à résoudre l’une des énigmes les plus redoutables de la statistique observationnelle : comment condenser une multitude de variables confondantes en une seule dimension scalaire sans perdre la propriété fondamentale d’équilibrage entre les groupes ?

Cette collaboration historique culmine en 1983 avec la publication, dans la prestigieuse revue Biometrika, de leur article fondateur : « The Central Role of the Propensity Score in Observational Studies for Causal Effects ». Ce texte monumental pose l’acte de naissance du score de propension. L’accueil initial, d’abord circonscrit aux cercles restreints de la statistique théorique, se transforme au fil des décennies en un raz-de-marée méthodologique. L’article devient l’un des plus cités de toute l’histoire de la statistique contemporaine, redéfinissant de fond en comble les standards de conception, d’analyse et de publication scientifique dans l’ensemble des sciences comportementales, sociales et biomédicales.

3. L’invention et la formalisation du score de propension

3.1 Définition mathématique et propriétés fondamentales

Le score de propension, tel que formalisé mathématiquement par Rosenbaum et Rubin en 1983, est défini comme la probabilité conditionnelle pour un individu d’être assigné à un traitement spécifique, étant donné un ensemble observé de covariables pré-traitement. Formellement, soit $Z in {0, 1}$ la variable indicatrice binaire d’exposition au traitement (où $Z=1$ indique la participation à une intervention thérapeutique ou comportementale et $Z=0$ indique son absence), et soit $X$ un vecteur multidimensionnel de covariables mesurées avant l’assignation. Le score de propension, noté $e(X)$, est défini par l’espérance conditionnelle :

$$e(X) = Pr(Z = 1 mid X)$$

La découverte mathématique majeure de Paul Rosenbaum réside dans la démonstration que ce score scalaire est un « score d’équilibrage » (balancing score). Cela signifie que conditionnellement à la valeur de $e(X)$, la distribution des covariables $X$ est strictement identique entre le groupe des traités ($Z=1$) et le groupe des non-traités ($Z=0$). En notation probabiliste formelle, cette propriété d’indépendance conditionnelle s’écrit :

$$X perp Z mid e(X)$$

Cette propriété constitue une percée théorique colossale pour la recherche en psychologie et dans les disciplines connexes. Dans les études comportementales, le vecteur $X$ contient fréquemment plusieurs dizaines, voire plusieurs centaines de variables : âge, statut socio-économique, antécédents psychiatriques, scores psychométriques de dépression, traits de personnalité du modèle Big Five, etc. Tenter d’apparier des sujets directement sur cet espace multidimensionnel se heurtait inévitablement au « fléau de la dimensionnalité » (curse of dimensionality), rendant impossible la recherche de témoins identiques. Le théorème de Rosenbaum-Rubin prouve qu’il suffit d’égaliser les sujets sur une unique dimension — la probabilité scalaire $e(X)$ — pour restaurer en espérance l’équilibre global de l’ensemble des caractéristiques multidimensionnelles.

Cette propriété d’équilibrage n’est toutefois valide pour l’inférence causale que sous l’hypothèse d’ignorabilité forte du traitement conditionnellement aux covariables observées (strong ignorability). Cette condition stipule, d’une part, que l’assignation au traitement est conditionnellement indépendante des résultats potentiels $(Y(1), Y(0))$ sachant $X$ :

$$(Y(1), Y(0)) perp Z mid X$$

et, d’autre part, que la condition de positivité ou de support commun est respectée, ce qui implique que chaque individu de la population dispose d’une chance non nulle d’appartenir à l’un ou l’autre groupe :

$$0 < Pr(Z = 1 mid X) < 1 \quad \forall X$$

Rosenbaum a démontré mathématiquement que si l’ignorabilité forte est satisfaite sachant $X$, elle reste vérifiée conditionnellement au score de propension $e(X)$, conférant à ce dernier une puissance analytique sans précédent.

3.2 Comparaison critique avec la régression multiple traditionnelle

L’apport épistémologique de Paul Rosenbaum ne se limite pas à la formulation mathématique du score de propension ; il s’incarne également dans une critique dévastatrice des pratiques de modélisation par régression linéaire ou logistique conventionnelle. Dans la tradition statistique standard, lorsqu’un chercheur souhaite comparer un groupe traité à un groupe témoin en présence de facteurs de confusion, le réflexe quasi universel consiste à ajuster un modèle linéaire où le résultat $Y$ est régressé sur la variable de traitement $Z$ et les covariables $X$. Rosenbaum a dénoncé avec vigueur les vulnérabilités fatales de cette approche, la qualifiant d’illusion de contrôle.

La première faille majeure réside dans l’extrapolation linéaire abusive. Lorsque les distributions des covariables $X$ diffèrent considérablement entre les groupes — par exemple, si les patients recevant une psychothérapie intensive présentent des niveaux initiaux de détresse psychologique bien plus élevés que les témoins —, les deux groupes n’occupent pas la même zone dans l’espace des données. La régression multiple comble alors ce vide par une interpolation mathématique aveugle, supposant que la relation linéaire reste strictement valable dans des zones où aucune donnée n’a jamais été observée. Rosenbaum a prouvé qu’une légère spécification erronée de la forme fonctionnelle (comme l’omission d’un terme quadratique ou d’une interaction) pouvait générer des biais massifs et faire conclure faussement à l’existence ou à l’absence d’un effet thérapeutique.

Le deuxième argument fondamental défendu par Rosenbaum concerne la séparation stricte et salutaire entre la phase de conception (design) et la phase d’analyse des résultats (analysis). Dans un essai randomisé, le protocole expérimental et l’assignation des sujets sont finalisés bien avant que le moindre résultat clinique ne soit collecté ou examiné. Le modèle de régression standard viole ce principe d’intégrité scientifique élémentaire : le chercheur ajuste son modèle tout en observant les coefficients et les p-valeurs associés à la variable d’intérêt, ce qui ouvre la porte au piratage de données (p-hacking) et à la sélection opportuniste des spécifications économétriques favorables à l’hypothèse de l’auteur.

Grâce au score de propension et à l’appariement préconisé par Rosenbaum, l’analyste travaille exclusivement sur les variables pré-traitement $X$ et la variable d’assignation $Z$, sans jamais consulter les résultats $Y$. L’analyste s’efforce d’équilibrer les échantillons, d’évaluer le chevauchement des distributions et de construire des paires comparables en restant totalement aveugle aux effets finaux. Une fois le design verrouillé et la balance des covariables validée, l’évaluation des résultats devient un acte statistique transparent et incorruptible.

3.3 Implications directes pour la recherche en psychologie

L’introduction du score de propension a constitué une libération méthodologique pour la psychologie empirique. L’un des écueils les plus redoutables de la recherche clinique comportementale réside dans le biais d’auto-sélection. Les individus qui décident d’entreprendre une démarche thérapeutique ou d’adhérer à un programme de méditation de pleine conscience se distinguent fondamentalement des personnes qui s’en abstiennent : ils possèdent généralement une plus grande disposition au changement, un capital psychologique différent ou, à l’inverse, une détresse émotionnelle plus insupportable les contraignant à chercher de l’aide. Grâce aux protocoles de Rosenbaum, ces facteurs d’auto-sélection observables peuvent être systématiquement modélisés pour constituer des groupes synthétiques parfaitement équivalents avant toute comparaison.

Dans le domaine de la psychologie de l’éducation et des programmes de remédiation cognitive pour enfants en difficulté scolaire, l’approche de Rosenbaum a permis de surmonter le biais d’attribution institutionnel. Souvent, les élèves orientés vers des dispositifs d’aide personnalisée cumulent des déficits d’apprentissage, des environnements familiaux défavorisés et des problèmes d’attention. Les comparaisons brutes donnaient régulièrement l’impression erronée que ces dispositifs étaient inefficaces, voire néfastes, les élèves bénéficiaires obtenant des résultats finaux inférieurs à la moyenne générale. L’utilisation du score de propension a restauré la vérité empirique en permettant d’isoler des groupes d’élèves non pris en charge mais présentant exactement le même profil de vulnérabilité initiale, démontrant ainsi la valeur ajoutée réelle des interventions pédagogiques.

Enfin, le traitement des traits de personnalité préexistants et des structures psychométriques stables a franchi un seuil de rigueur qualitatif inédit. Au lieu de considérer les dimensions de personnalité comme de simples bruits de fond, la méthodologie de Rosenbaum permet de les intégrer comme des éléments structurants du paysage d’assignation, offrant à la psychiatrie translationnelle un cadre d’inférence exempt de confusions méthodologiques majeures.

4. Fondements de l’inférence causale dans les études observationnelles

4.1 Le paradigme contrefactuel appliqué aux comportements humains

L’inférence causale moderne, telle qu’articulée par Rosenbaum, repose sur une modélisation ontologique précise : l’approche contrefactuelle. Dans ce cadre conceptuel, chaque unité statistique $i$ (qui représente un individu ou un patient dans les sciences comportementales) possède deux résultats potentiels théoriques : $Y_i(1)$, qui correspond à la mesure de son état psychologique ou comportemental s’il avait été exposé au traitement, et $Y_i(0)$, qui correspond à la mesure de son état s’il avait été exposé à la condition contrôle. L’effet causal individuel au niveau du sujet $i$ est défini par la différence algébrique fondamentale :

$$\tau_i = Y_i(1) – Y_i(0)$$

Le drame ontologique de la science expérimentale, souvent qualifié de problème fondamental de l’inférence causale par Paul Holland et Donald Rubin, réside dans le fait que pour tout individu concret, un seul de ces deux états peut être effectivement observé dans la réalité empirique. Si le patient participe à une thérapie, nous mesurons $Y_i(1)$, laissant la valeur $Y_i(0)$ à l’état de possibilité contrefactuelle non réalisée. Inversement, s’il n’y participe pas, son état sous thérapie demeure inconnu. Paul Rosenbaum s’est employé à démontrer comment, sous des conditions rigoureusement définies d’appariement et d’ajustement, les données observationnelles permettent d’approcher sans biais l’effet causal moyen du traitement (Average Treatment Effect, ATE) ou l’effet moyen sur les traités (Average Treatment Effect on the Treated, ATT) :

$$\tau_{\text{ATT}} = \mathbb{E}[Y(1) – Y(0) mid Z = 1]$$

Ce paradigme contrefactuel prend une résonance éthique et clinique singulière dans l’étude des événements de vie indésirables, des traumatismes psychologiques et de la résilience. Comment mesurer l’impact authentique d’une rupture familiale brutale, d’une agression physique ou d’un deuil traumatique sur le développement ultérieur de troubles dépressifs ? On ne peut manipuler expérimentalement l’adversité humaine. L’édifice contrefactuel déployé par Rosenbaum fournit le cadre intellectuel permettant de construire des jumeaux statistiques virtuels ayant partagé la même trajectoire biopsychosociale jusqu’à l’instant de la crise, autorisant ainsi une quantification rigoureuse de la fracture existentielle causée par le traumatisme.

4.2 Les postulats d’ignorabilité et de positivité

Pour qu’une étude observationnelle puisse prétendre révéler des liens de nature causale, elle doit s’appuyer sur deux postulats théoriques majeurs que Paul Rosenbaum a soumis à un examen critique continu : l’ignorabilité et la positivité. L’hypothèse d’ignorabilité — souvent désignée sous le vocable d’absence de confusion non observée ou de sélection sur les observables — postule que toutes les variables confondantes qui influencent simultanément la probabilité de recevoir le traitement et les résultats potentiels ont été identifiées, mesurées et intégrées dans le modèle. Rosenbaum est l’un des rares théoriciens à avoir insisté avec force sur le fait que cette condition ne peut jamais être vérifiée empiriquement à partir des données elles-mêmes. Elle relève d’une hypothèse épistémologique non réfutable par de simples tests statistiques conventionnels.

Le second postulat, la positivité ou l’existence d’un support commun, exige que chaque sujet ait une probabilité strictement positive et non certaine d’être assigné à chaque condition ($0 < e(X) < 1$). Dans la recherche clinique et psychiatrique, cette hypothèse est fréquemment mise à rude épreuve. Il existe des sous-populations hautement vulnérables chez lesquelles la probabilité théorique de recevoir une intervention est soit proche de zéro (par exemple, des patients dont les fonctions cognitives sont trop altérées pour suivre une psychothérapie analytique complexe), soit proche de l'unité (des patients en détresse extrême auxquels un médicament de sauvetage ne saurait être éthiquement refusé).

Lorsque le support commun fait défaut, Paul Rosenbaum recommande d’éviter à tout prix les extrapolations statistiques trompeuses. Au lieu de forcer une estimation globale dénuée de sens empirique, ses directives méthodologiques préconisent de redéfinir et de borner explicitement la population cible. Les sujets situés dans les zones de non-recouvrement doivent être exclus de l’analyse, et les conclusions de l’étude doivent être honnêtement circonscrites au domaine où l’échangeabilité des sujets est réellement garantie. Cette discipline méthodologique a profondément transformé la rigueur avec laquelle les psychologues et épidémiologistes formulent la portée de leurs résultats.

5. L’analyse de sensibilité et la gestion des biais cachés

5.1 Le modèle formel de sensibilité de Rosenbaum

L’une des contributions les plus géniales et les plus singulières de Paul Rosenbaum à la science moderne est indiscutablement son modèle formel d’analyse de sensibilité aux biais non mesurés. Conscient qu’aucun chercheur ne peut garantir avec une certitude absolue avoir recueilli l’ensemble des facteurs confondants, Rosenbaum a renversé la problématique traditionnelle. Au lieu de se demander : « Mes données sont-elles parfaitement exemptes de biais ? », ce qui est illusoire dans une étude observationnelle, il a proposé de poser la question suivante : « Quelle magnitude devrait avoir un biais caché pour détruire les conclusions statistiques de mon étude ? »

Dans ce modèle probabiliste d’une élégance formelle remarquable, Rosenbaum introduit le paramètre $\Gamma$ (Gamma), qui quantifie l’ampleur maximale du biais d’assignation provoqué par une variable non mesurée. Considérons deux individus $j$ et $k$ qui partagent rigoureusement le même vecteur de covariables observées ($X_j = X_k$) et qui ont donc le même score de propension calculé. Si l’étude était parfaitement équilibrée sans biais caché, ces deux sujets auraient la même cote (odds) de recevoir le traitement, soit un rapport de cotes égal à 1. Rosenbaum formalise la présence d’une variable de confusion non mesurée $u$ en stipulant que le rapport de leurs cotes d’assignation au traitement est borné par un nombre $\Gamma ge 1$ :

$$\frac{1}{\Gamma} le \frac{Pr(Z_j = 1) / [1 – Pr(Z_j = 1)]}{Pr(Z_k = 1) / [1 – Pr(Z_k = 1)]} le \Gamma$$

Lorsque $\Gamma = 1$, l’étude est strictement équilibrée et aucun biais caché n’existe. Lorsque $\Gamma = 2$, cela signifie qu’un facteur non mesuré (par exemple, une prédisposition génétique ou une détresse psychologique intime) rend l’un des deux sujets statistiquement deux fois plus susceptible de recevoir le traitement que son homologue apparié, en dépit de leur identité parfaite sur l’ensemble des variables observées.

Grâce à cette paramétrisation, Rosenbaum transforme les tests d’hypothèse conventionnels en intervalles de p-valeurs critiques $[\underline{p}, \bar{p}]$ pour différentes valeurs croissantes de $\Gamma$. L’analyste cherche alors le point de rupture méthodologique — la valeur critique $\Gamma^*$ — à laquelle la borne supérieure de la p-valeur dépasse le seuil classique de significativité ($\alpha = 0{,}05$). Si une étude affichant un effet thérapeutique très significatif s’effondre pour un $\Gamma = 1{,}15$, cela démontre que des variations minimes dans des facteurs latents suffiraient à expliquer entièrement l’effet observé, signifiant une grande fragilité de la preuve. À l’inverse, si l’inférence résiste jusqu’à $\Gamma = 3$ ou $\Gamma = 4$, l’effet est considéré comme extraordinairement robuste, car seul un biais non observé d’une puissance colossale pourrait le balayer.

5.2 Applications concrètes face aux covariables non mesurées

L’analyse de sensibilité selon Rosenbaum trouve un champ d’application providentiel dans les domaines de la psychopathologie, de la génétique du comportement et de la psychiatrie de cohorte. Prenons le cas classique de la recherche sur la transmission intergénérationnelle des conduites addictives ou des troubles de l’humeur. Lorsqu’on évalue l’impact du milieu familial chez des enfants de parents alcooliques au moyen d’études rétrospectives, les facteurs génétiques partagés et les influences épigénétiques demeurent la plupart du temps non quantifiés dans les cohortes observationnelles habituelles.

Les calculateurs de sensibilité de Rosenbaum permettent de neutraliser le scepticisme stérile. Au lieu de disqualifier d’emblée une étude sous prétexte que « la génétique n’a pas été contrôlée », le chercheur applique les bornes de sensibilité pour établir le niveau d’association que ce facteur génétique sous-jacent devrait posséder avec l’exposition et avec la pathologie pour dissoudre l’effet du climat familial. Si la valeur de $\Gamma$ requise est invraisemblablement élevée au regard des données actuelles de la littérature génomique, l’hypothèse d’un effet causal environnemental direct en sort magistralement renforcée.

De même, dans les recherches explorant le lien entre traumatismes infantiles et survenue ultérieure de troubles de la personnalité, les biais de mémoire (recall bias) et la désirabilité sociale constituent des variables latentes particulièrement insidieuses. Les méthodes de Rosenbaum permettent de modéliser avec précision l’impact que de tels biais de signalement mémoriel pourraient avoir sur les inférences cliniques, érigeant l’analyse de sensibilité en une boussole indispensable à l’interprétation des données de santé mentale.

5.3 Avancées récentes sur les bornes de sensibilité

Au fil des décennies, Paul Rosenbaum n’a cessé de raffiner les bases mathématiques de son modèle de sensibilité. Initialement développé autour du test des rangs signés de Wilcoxon et du test de permutation de McNemar pour paires appariées, le formalisme s’est étendu aux designs d’appariement complexes avec plusieurs témoins, aux données censurées du modèle de survie et aux variables de réponse continues non gaussiennes.

L’une des innovations récentes majeures concerne l’intégration des effets causaux hétérogènes dans l’analyse de sensibilité. Rosenbaum a démontré que certains sous-groupes de patients peuvent présenter une vulnérabilité différentielle au biais caché : une intervention comportementale peut se révéler extraordinairement robuste chez les sujets présentant les scores de propension les plus instables, tout en étant sensible chez d’autres. Ses développements théoriques permettent aujourd’hui d’isoler ces sous-espaces pour affiner la puissance de détection statistique.

Parallèlement à ses contributions théoriques, Paul Rosenbaum a fait preuve d’un engagement constant pour la dissémination pratique de ses outils. Il a personnellement programmé et publié plusieurs bibliothèques logicielles de référence dans l’environnement statistique R, notamment les packages rbounds et sensitivitymv, ainsi que des contributions substantielles aux suites algorithmiques d’optimisation. Ces programmes permettent aux chercheurs du monde entier de mener des analyses de sensibilité multivariées d’une complexité computationnelle extrême en quelques lignes de commande, démocratisant ainsi un niveau de rigueur analytique jadis inaccessible.

6. Techniques avancées d’appariement et algorithmes d’optimisation

6.1 Appariement optimal versus appariement glouton

L’appariement de données observationnelles a longtemps été réalisé de manière empirique au moyen d’algorithmes dits « gloutons » (greedy matching ou appariement au plus proche voisin séquentiel). Dans cette approche naïve, l’algorithme sélectionne un premier individu traité et lui associe le sujet témoin dont la distance est la plus faible dans l’échantillon. Cette opération est répétée séquentiellement jusqu’à épuisement des unités. Paul Rosenbaum a été l’un des critiques les plus rigoureux de cette pratique heuristique sous-optimale, démontrant qu’un choix localement optimal au début du processus pouvait engendrer des déséquilibres catastrophiques à la fin, en condamnant les derniers individus traités à être appariés avec des témoins totalement disparates.

Pour dépasser ces limitations, Rosenbaum a mobilisé les outils sophistiqués de la recherche opérationnelle et de la théorie des graphes combinatoires. Il a démontré la supériorité mathématique absolue de l’appariement optimal global (optimal matching). Dans cette perspective, le problème est formulé comme un problème de transport ou de flot de coût minimum dans un réseau bipartite. Soit $d(i, j)$ la distance métrique séparant le sujet traité $i$ du témoin potentiel $j$. L’algorithme d’appariement optimal ne cherche pas à satisfaire les unités de manière séquentielle et égoïste ; il résout un problème d’optimisation globale visant à minimiser la somme totale des distances intra-paires sur l’ensemble de l’échantillon apparié :

$$\min \sum_{i} \sum_{j} A_{ij} d(i, j)$$

sous la contrainte que chaque individu ne soit sélectionné qu’en conformité avec la structure de design prescrite ($A_{ij} in {0, 1}$). En s’appuyant sur les algorithmes classiques de flot comme ceux de Ford-Fulkerson ou les variantes de l’algorithme hongrois adaptées par Dimitri Bertsekas, Rosenbaum a fourni la preuve formelle que cette approche réduit drastiquement le biais résiduel dans les cohortes appariées, maximisant ainsi l’équilibrage global des covariables.

6.2 Structures d’appariement complexes

Au-delà de l’appariement simple de paires individuelles (1:1), Rosenbaum a développé une panoplie de structures géométriques adaptées aux contraintes empiriques de la recherche médicale et sociale. L’une des plus célèbres est la technique de l’appariement complet (full matching), conceptualisée conjointement avec Peter Rosenbaum et formalisée ultérieurement par des chercheurs comme Elizabeth Stuart. Le full matching élimine l’arbitraire du choix du ratio de témoins : il segmente l’échantillon en sous-classes ou strates mutuellement exclusives contenant soit un traité et plusieurs témoins, soit un témoin et plusieurs traités. L’algorithme détermine mathématiquement la configuration optimale des ratios pour chaque strate afin de minimiser le déséquilibre global tout en conservant l’intégralité des unités informatives.

Une autre déclinaison majeure concerne l’appariement avec ratios variables (1:k variable matching). Dans de nombreuses bases de données cliniques, le réservoir de témoins est surabondant pour certaines valeurs de score de propension, mais extrêmement rare pour d’autres. L’approche de Rosenbaum adapte dynamiquement le nombre de contrôles attribués à chaque traité en fonction de la densité locale de l’espace des covariables. Cela permet d’augmenter considérablement la puissance statistique des tests de rangs tout en contenant le biais de sélection dans des marges infinitésimales.

Ces structures sophistiquées optimisent de manière élégante le compromis fondamental entre la variance statistique de l’estimateur et le biais d’ajustement systématique (bias-variance tradeoff). Alors que l’appariement 1:1 rigide sacrifie souvent une part substantielle de l’échantillon de témoins disponibles, gonflant artificiellement l’erreur standard, les algorithmes de Rosenbaum maximisent l’efficience informationnelle de chaque observation recueillie sur le terrain.

6.3 L’appariement par pénalité et contraintes fines

Dans la pratique de la recherche psychologique, la simple minimisation d’une distance scalaire (comme la distance de score de propension ou la distance de Mahalanobis) peut parfois laisser subsister des déséquilibres inacceptables sur des covariables fondamentales. Par exemple, même si le score global est parfaitement équilibré, une légère dérive sur la variable « sexe » ou sur la tranche d’âge critique des adolescents peut vicier l’interprétation clinique d’un protocole d’intervention en santé mentale.

Pour surmonter cet obstacle, Rosenbaum a introduit le concept d’appariement sous contraintes fines (fine balance) et l’utilisation de matrices de distance pénalisées. La technique de l’équilibre fin impose que la distribution marginale exacte d’une ou plusieurs variables catégorielles nominales soit rigoureusement identique entre le groupe traité et le groupe témoin apparié, sans pour autant exiger que chaque paire individuelle soit identique sur cette variable spécifique. Cela offre une flexibilité combinatoire prodigieuse : le modèle peut marier un individu masculin traité à un individu féminin témoin si cela permet de maximiser la proximité sur toutes les autres variables psychométriques continues, tout en garantissant qu’au niveau global de l’échantillon final, le nombre d’hommes et de femmes soit rigoureusement congruent.

De surcroît, Rosenbaum a développé la technique de la tolérance calibrée (caliper matching) combinée à une pénalisation infinie des paires non admissibles. Si deux sujets présentent un écart de score de propension supérieur à un seuil prédéfini — généralement calibré comme une fraction de l’écart-type du score —, la distance qui les sépare dans le réseau d’optimisation se voit assigner une pénalité infinie, empêchant formellement leur réunion. Cette approche permet de préserver l’intégrité clinique de l’échantillon en évitant les appariements aberrants qui dégraderaient la validité interne de la recherche.

7. Applications empiriques en psychiatrie et recherche comportementale

7.1 Évaluation de l’efficacité des psychothérapies

L’évaluation scientifique des psychothérapies représente l’un des terrains d’expérimentation les plus féconds des méthodes de Paul Rosenbaum. Dans ce secteur, le biais d’indication constitue un écueil permanent : les cliniciens n’attribuent pas les thérapies au hasard. Les patients orientés vers des thérapies cognitivo-comportementales (TCC) intensives, des thérapies dialectiques comportementales ou des approches psychodynamiques de longue durée présentent des tableaux diagnostiques, des structures d’attachement et des niveaux de chronicité radicalement dissemblables.

Dans les établissements psychiatriques ouverts et les centres médico-psychologiques communautaires, la randomisation pure est souvent rejetée par le corps soignant pour des motifs d’individualisation des soins. Les outils de Rosenbaum ont permis de mener des évaluations quasi-expérimentales d’une rigueur exemplaire au sein de ces institutions. En mobilisant des matrices d’appariement optimal intégrant la sévérité initiale des symptômes, les antécédents d’hospitalisation, les comorbidités addictives et les données socio-démographiques, les chercheurs ont pu reconstituer des groupes de comparaison crédibles, validant empiriquement l’efficacité de thérapies novatrices en vie réelle (real-world evidence).

Ces méthodes ont également clarifié les débats sur l’efficacité relative des psychotropes de seconde génération par rapport aux molécules classiques. Les cohortes observationnelles appariées selon les critères de Rosenbaum ont permis d’évaluer la tolérance métabolique et le risque d’abandon de traitement chez des patients schizophrènes ou bipolaires sans subir l’artifice des protocoles d’essais cliniques industriels qui excluent habituellement les patients suicidaires ou poly-médiqués.

7.2 Psychologie du développement et études d’impact précoce

La psychologie du développement est confrontée en permanence au défi de séparer l’impact causale des traumatismes et carences de la petite enfance de l’écosystème de vulnérabilités socio-génétiques dans lequel ces événements prennent place. Lorsqu’un enfant subit une négligence émotionnelle sévère, ce drame est fréquemment corrélé à la précarité économique des parents, aux pathologies mentales intrafamiliales, à la malnutrition ou à l’instabilité résidentielle.

L’application des techniques d’appariement à contraintes fines et des modèles d’analyse de sensibilité de Rosenbaum a constitué une avancée décisive pour ce champ d’investigation. Dans des cohortes de suivi longitudinal s’étalant sur plusieurs décennies, comme les études de Dunedin ou de Christchurch, ces protocoles ont permis d’isoler des enfants partageant des profils de vulnérabilité contextuelle identiques mais différant quant à leur exposition documentée à des violences précoces. Les résultats ont démontré que les répercussions sur l’altération de l’attachement, les troubles exécutifs et les régulations neuroendocriniennes du stress ne constituaient pas de simples artéfacts de confusion sociale, mais procédaient d’un véritable enchaînement causal toxique résistant à des valeurs élevées de $\Gamma$.

De même, l’impact des politiques d’éducation préscolaire intensive destinées aux quartiers défavorisés (à l’instar des programmes Head Start) a été réévalué avec les méthodes de Rosenbaum. Les études observationnelles méthodologiquement blindées ont mis en évidence des effets structurants durables sur les compétences métacognitives et la trajectoire de socialisation, balayant les conclusions pessimistes générées par des régressions mal contrôlées.

7.3 Neuropsychologie et sciences cognitives

Le champ des neurosciences cognitives et de la neuropsychologie clinique exploite abondamment les designs quasi-expérimentaux théorisés par Rosenbaum. L’étude des patients cérébrolésés (victimes d’accidents vasculaires cérébraux, de traumatismes crâniens ou de résections chirurgicales) en fournit une parfaite illustration. Les lésions cérébrales ne surviennent pas de façon homogène au sein de la population générale : elles sont associées à des profils vasculaires spécifiques, à l’âge, au niveau d’éducation et au mode de vie.

Pour mesurer avec certitude le déficit neurocognitif spécifique imputable à une atteinte du cortex préfrontal ventromédian ou de l’hippocampe, Rosenbaum a fourni les fondements permettant d’apparier ces patients avec des témoins sains ou des cérébrolésés contrôles sur des dimensions multiples. La distance multivariée de Mahalanobis avec tolérance sur le score de propension permet d’égaliser strictement l’âge, la réserve cognitive antérieure, le volume cérébral résiduel et le statut socio-professionnel.

Dans la recherche sur le vieillissement cérébral, l’évaluation de l’efficacité des protocoles d’entraînement cognitif informatisé chez les personnes âgées souffrant de troubles cognitifs légers (MCI) s’est également appuyée sur les principes de Rosenbaum. Le contrôle rigoureux de la réserve cognitive comme variable de confusion majeure a permis de démontrer dans quelles conditions précises ces interventions pouvaient freiner le déclin exécutif, dissipant le scepticisme entourant la plasticité cérébrale chez le sujet âgé.

8. Conception quasi-expérimentale et quasi-randomisation

8.1 Dispositifs à groupes de contrôle multiples

L’un des préceptes les plus novateurs et les plus stimulants intellectuellement défendus par Paul Rosenbaum réside dans l’intégration stratégique de dispositifs à groupes de contrôle multiples. Pour Rosenbaum, un bon design statistique ne se contente pas d’aligner des algorithmes ; il doit être conçu pour tester de manière interne la plausibilité de ses propres hypothèses. Si un chercheur craint qu’une variable non observée ne vienne vicier la comparaison entre le groupe traité et un groupe témoin, il est souvent judicieux d’adjoindre un second groupe de contrôle distinct, soumis à des pressions de sélection entièrement différentes.

Considérons l’évaluation d’un programme d’aide psychologique volontaire destiné à des étudiants universitaires en situation de décrochage. Si le groupe témoin est constitué d’étudiants ayant refusé de participer, ce groupe peut être biaisé par un manque flagrant de motivation. Rosenbaum propose d’ajouter un second groupe de contrôle composé d’étudiants d’une université voisine comparable où le programme n’a jamais été proposé. Dans cette configuration, les étudiants de cette seconde institution n’ont pas eu l’opportunité de refuser quoi que ce soit. Si l’effet du programme se vérifie de manière concordante face à ces deux groupes témoins aux profils sociologiques dissemblables, la plausibilité d’un biais caché lié à la motivation s’amenuise considérablement.

Cette approche, qualifiée de triangulation méthodologique, emprunte directement aux règles de la preuve médico-légale. Rosenbaum a formalisé les tests statistiques spécifiques permettant de quantifier les divergences d’effets entre ces groupes contrôles multiples. La mise en évidence d’une parfaite cohérence entre des contrôles d’origines structurelles distinctes permet d’ériger des inférences causales d’une robustesse exceptionnelle, rompant avec la fragilité coutumière des études observationnelles à témoin unique.

8.2 Variables instrumentales et discontinuité de la régression

Bien que Paul Rosenbaum soit avant tout célébré pour ses travaux sur l’appariement et les scores de propension, il a apporté des contributions théoriques fondamentales à l’analyse non paramétrique des variables instrumentales (VI) et des plans à discontinuité de la régression (Regression Discontinuity Designs, RDD). Dans le domaine des variables instrumentales, traditionnellement dominé par les équations simultanées de l’économétrie linéaire (moindres carrés en deux étapes), Rosenbaum a développé une formulation entièrement fondée sur la théorie des permutations et les tests de rangs exacts.

Il a en outre étendu son modèle d’analyse de sensibilité à la violation de l’hypothèse d’exclusion inhérente aux variables instrumentales. Dans la recherche sur les comportements addictifs et les politiques de santé publique, une variable instrumentale (telle que la distance géographique séparant le domicile du patient d’un centre de prise en charge spécialisé) est souvent supposée influencer le traitement sans affecter directement le pronostic de santé mentale. Rosenbaum a démontré mathématiquement comment évaluer la solidité des inférences causales lorsque cette hypothèse d’exclusion est légèrement violée par des facteurs d’attractivité territoriale non mesurés.

De même, dans les designs de discontinuité de la régression — par exemple lorsqu’un soutien psychologique scolaire est automatiquement alloué aux enfants dont le score à un bilan neuropsychologique standardisé se situe strictement en dessous d’un seuil clinique fixe —, Rosenbaum a proposé des protocoles d’appariement localisé autour du seuil de coupure. Cette méthodologie garantit que l’effet de traitement estimé au voisinage immédiat du seuil ne résulte pas d’une manipulation de l’attribution ou d’une instabilité fonctionnelle locale.

8.3 Effets d’interférence et violations de la SUTVA

L’inférence causale classique repose universellement sur l’hypothèse de traitement unitaire stable (Stable Unit Treatment Value Assumption, SUTVA). Cette hypothèse implique deux postulats rigides : l’absence d’interférence entre les unités (le fait qu’un sujet reçoive ou non le traitement ne modifie en rien le résultat potentiel d’un autre sujet) et l’absence de variantes cachées du traitement. Dans les sciences humaines, sociales et comportementales, l’hypothèse de non-interférence est violée en permanence par la nature même du lien social : contagion émotionnelle, apprentissage par les pairs, dynamique de groupe ou transmission virale des comportements.

Paul Rosenbaum a été l’un des premiers théoriciens à briser le carcan de la SUTVA pour formaliser mathématiquement l’estimation des effets causaux en présence d’interférence structurée. Dans les cadres où les individus sont regroupés au sein de micro-collectivités (telles que des salles de classe, des dortoirs universitaires ou des services psychiatriques), Rosenbaum a modélisé comment l’exposition d’un certain pourcentage de camarades à une thérapie ou à un programme de tutorat génère un effet de débordement causal (spillover effect) sur les individus non traités du même groupe.

Ses innovations algorithmiques permettent désormais d’estimer simultanément deux composantes causales fondamentales : l’effet direct du traitement reçu par l’individu et l’effet indirect résultant du niveau de saturation du traitement au sein de son environnement social immédiat. Cette modélisation s’avère indispensable pour analyser l’efficacité des interventions scolaires anti-harcèlement ou des programmes de prévention des addictions, où le climat relationnel du groupe façonne l’issue comportementale autant que l’action individuelle.

9. Ouvrages majeurs et architecture de sa pensée théorique

9.1 Observational Studies (1995, 2002)

La publication de la première édition de son traité magistral, Observational Studies, en 1995 chez Springer, suivie d’une seconde édition enrichie en 2002, constitue l’un des jalons les plus éclatants de la littérature statistique moderne. Cet ouvrage monumentale synthétise et formalise quinze années de recherches pionnières. Rosenbaum y érige les études observationnelles en une discipline autonome, dotée d’une axiomatique aussi rigoureuse et formalisée que celle qui soutient la théorie des plans d’expériences aléatoires de Fisher.

L’ouvrage se distingue par la primauté absolue accordée aux tests exacts de permutation sous l’hypothèse nulle d’absence d’effet causal de traitement (l’hypothèse nulle exacte de Fisher). Plutôt que de s’abriter derrière des théorèmes limites asymptotiques dont la validité est précaire sur des échantillons cliniques de taille modeste, Rosenbaum démontre comment dériver des p-valeurs et des intervalles de confiance exacts par combinatoire conditionnelle. C’est également dans ce livre que la théorie formelle des bornes de sensibilité avec le paramètre $\Gamma$ est pour la première fois exposée de manière exhaustive et unifiée.

Observational Studies est rapidement devenu la bible internationale des épidémiologistes méthodologistes, des biométriciens et des statisticiens sociaux. L’ouvrage lance un vibrant plaidoyer épistémologique pour la clarté conceptuelle préalable à tout déploiement algorithmique, rappelant aux praticiens qu’aucun raffinement computationnel ne saurait racheter une faille logique dans la conception initiale d’une recherche.

9.2 Design of Observational Studies (2010, 2020)

Quinze ans après son premier grand traité, Paul Rosenbaum publie en 2010 Design of Observational Studies, dont la deuxième édition paraît en 2020. Si son ouvrage précédent se concentrait principalement sur les fondements mathématiques et la théorie des tests d’hypothèse, ce nouveau livre opère un recentrage stratégique sur la planification expérimentale et l’architecture du protocole (le design).

La thèse centrale défendue avec force par Rosenbaum dans cet ouvrage est condensée dans une maxime devenue célèbre : « Les études observationnelles ont besoin de meilleurs designs, pas seulement de modèles statistiques plus complexes ». Il y détaille les techniques concrètes permettant d’amplifier la robustesse des données face aux biais résiduels. Parmi ces techniques figurent l’amplification des effets causaux — stratégie consistant à concevoir des comparaisons extrêmes pour que le signal causal dépasse sans ambiguïté le bruit des confusions latentes — ainsi que la construction d’évidences convergentes par le recours systématique aux groupes de contrôle multiples et aux protocoles de réplication quasi-expérimentale.

L’ouvrage se distingue par un sens didactique remarquable, truffé d’exemples empiriques réels tirés de la santé publique, de la psychologie et des politiques d’éducation. Rosenbaum y fournit un guide méthodique et scrupuleux pour guider le chercheur pas à pas, de la structuration de la matrice de distance jusqu’à l’audit final de la sensibilité des résultats.

9.3 Observation and Experiment: An Introduction to Causal Inference (2017)

Avec la parution en 2017 de son ouvrage Observation and Experiment: An Introduction to Causal Inference, édité par Harvard University Press, Paul Rosenbaum s’adresse à un public beaucoup plus vaste, incluant les cliniciens de terrain, les étudiants en sciences humaines, les juristes et les décideurs politiques qui ne possèdent pas de formation mathématique avancée.

Dans ce livre d’une limpidité remarquable, Rosenbaum démystifie l’inférence causale à travers des narrations captivantes d’enquêtes historiques célèbres. Il explore minutieusement comment le médecin britannique John Snow a identifié le mode de transmission du choléra à Londres en 1854 sans recourir à un essai randomisé, comment les épidémiologistes ont établi avec certitude la culpabilité du tabagisme dans l’apparition du cancer du poumon face aux objections de Ronald Fisher, ou encore comment les sociologues ont mesuré l’impact de l’incarcération sur la récidive criminelle.

L’ouvrage tisse un lien harmonieux entre la rigueur de l’éthique de la recherche scientifique et la responsabilité sociétale de la statistique. Rosenbaum démontre avec brio que l’esprit critique, la formulation d’hypothèses rivales et la recherche infatigable d’incohérences internes constituent le cœur battant de la méthode scientifique, rendant accessible à l’ensemble de la communauté intellectuelle l’essence de sa pensée épistémologique.

10. Carrière académique, distinctions et engagement à Penn

10.1 Le professorat à la Wharton School de l’Université de Pennsylvanie

L’engagement académique de Paul Rosenbaum à l’Université de Pennsylvanie constitue un chapitre institutionnel d’une longévité et d’une fécondité intellectuelle exemplaires. Membre éminent du Département de statistique et science des données de la Wharton School, il a contribué de manière décisive à positionner cette faculté comme le phare mondial de l’inférence causale et de l’analyse méthodologique de haute précision.

Au-delà de ses cours magistraux réputés pour leur rigueur géométrique et leur profondeur logique, Rosenbaum a été un mentor exceptionnel. Il a dirigé et inspiré plusieurs générations de doctorants et de chercheurs post-doctoraux qui occupent aujourd’hui des chaires de premier rang dans les départements de biostatistique, de psychométrie et d’épidémiologie à travers le monde (notamment Dylan Small, José Zubizarreta ou Elizabeth Stuart). La culture d’excellence qu’il a insufflée repose sur un équilibre intransigeant : le rejet des formalismes mathématiques creux dénués de portée pratique et l’interdiction de toute analyse appliquée qui ne reposerait pas sur des garanties mathématiques strictes.

Cette synergie entre théorie pure et collaboration clinique ouverte a permis à l’Université de Pennsylvanie de nouer des partenariats méthodologiques continus avec les centres hospitaliers universitaires et les départements de psychologie, transformant l’analyse statistique locale en un laboratoire permanent d’expérimentation épistémologique.

10.2 Prix prestigieux et reconnaissance institutionnelle

L’immensité des contributions scientifiques de Paul Rosenbaum a été saluée par les plus éminentes instances de la statistique internationale. Il a été élu membre d’honneur (Fellow) de l’American Statistical Association (ASA), reconnaissance attribuée à un cercle très restreint de statisticiens pour leur apport novateur durable à la discipline. De même, il est membre élu de l’Institut de Statistique Mathématique (Institute of Mathematical Statistics, IMS), institution dédiée à l’avancement des théories probabilistes fondamentales.

Parmi les multiples distinctions jalonnant son parcours, l’attribution du prestigieux prix George W. Snedecor décerné par le Comité des présidents de sociétés statistiques (COPSS) occupe une place de choix. Ce prix vient récompenser l’article ou l’ouvrage le plus marquant au monde dans le domaine de la méthodologie biométrique. Les travaux de Rosenbaum sur les protocoles d’appariement optimal et la formalisation des bornes d’analyse de sensibilité ont été explicitement salués lors de cette consécration institutionnelle.

Régulièrement sollicité comme conférencier d’honneur dans les symposiums internationaux d’épidémiologie, de psychiatrie computationnelle et d’économétrie, Rosenbaum a toujours conservé une modestie intellectuelle remarquable, préférant faire parler l’élégance de ses théorèmes et la clarté de ses données plutôt que de participer aux joutes d’estrade de la scène médiatique.

11. Débats épistémologiques et controverses méthodologiques

11.1 Tensions entre l’école de Pearl (DAGs) et le modèle contrefactuel

L’essor de l’inférence causale contemporaine s’est accompagné d’un débat intellectuel profond entre deux traditions épistémologiques distinctes : l’école formaliste des graphes causaux orientés acycliques (DAGs) impulsée par l’informaticien et logicien Judea Pearl, et l’école contrefactuelle incarnée par Donald Rubin, Paul Rosenbaum et James Robins. Pearl a souvent critiqué l’approche des résultats potentiels pour son opacité intuitive supposée face à des systèmes de relations causales complexes, affirmant que le langage visuel des DAGs et l’algèbre du do-calculus permettaient de clarifier immédiatement les conditions d’identification graphique des biais.

La position de Paul Rosenbaum dans cette controverse théorique majeure est d’une grande lucidité pratique. Sans nier l’intérêt heuristique des diagrammes causaux pour représenter des hypothèses qualitatives, Rosenbaum a toujours manifesté une méfiance rigoureuse à l’égard de la croyance selon laquelle un graphe causal permettrait, à lui seul, de résoudre les défis inhérents aux données de terrain. Pour Rosenbaum, tracer un graphe causal sans flèche entre une variable cachée et le traitement constitue une pétition de principe : cela revient simplement à décréter visuellement l’absence de confusion non mesurée, sans fournir aucun moyen de tester la solidité de cette hypothèse face au réel.

L’approche de Rosenbaum se focalise de façon quasi obsessionnelle sur ce qui est mathématiquement falsifiable. Là où la tradition graphique pearlশবienne spécule sur la topologie structurelle globale, Rosenbaum concentre son énergie sur les tests de permutation concrets, la conception de protocoles de détection d’incohérences et la modélisation de la sensibilité paramétrique ($\Gamma$). De nombreux méthodologistes contemporains reconnaissent aujourd’hui la valeur complémentaire de ces deux visions : les graphes aident à poser les problèmes de causalité structurelle, mais ce sont les protocoles de Rosenbaum qui permettent d’affronter l’imperfection concrète des données empiriques et de jauger leur crédibilité probabiliste.

11.2 Le piège de la confiance excessive dans le score de propension

Bien qu’il soit le co-inventeur du score de propension, Paul Rosenbaum a paradoxalement été l’un des scientifiques les plus vigilants et les plus critiques face à l’utilisation mécanique, aveugle et fétichiste de cet instrument dans la recherche empirique. Avec l’explosion des logiciels statistiques automatisés dans les années 2000, des milliers d’études publiées en médecine et en psychologie ont proclamé avoir « éliminé tout biais » simplement parce qu’un score de propension logistique avait été estimé et injecté dans un modèle d’appariement quelconque. Rosenbaum a systématiquement fustigé cette naïveté méthodologique, rappelant qu’un appariement sur score de propension ne contrôle absolument rien au-delà des seules covariables observables qui ont été scrupuleusement enregistrées par le chercheur.

Ce débat a trouvé un écho retentissant lorsque le politologue et statisticien de Harvard Gary King a publié des critiques virulentes contre l’appariement par score de propension (propensity score matching), affirmant que cette méthode pouvait paradoxalement accroître le déséquilibre des covariables et le biais d’estimation comparativement à d’autres techniques comme l’appariement grossier exact (coarsened exact matching) ou l’appariement sur distance de Mahalanobis. Gary King a qualifié certains aspects de l’appariement par score de propension de « paradoxe du score de propension ».

En réponse à ces controverses, Rosenbaum a clarifié et défendu avec une autorité mathématique implacable sa vision méthodologique originelle. Il a démontré que les critiques formulées par King s’appliquaient principalement à des implémentations défectueuses, telles que l’appariement glouton un-pour-un sans contrainte de rayon et sans audit de balance. Rosenbaum a réaffirmé la supériorité de sa recommandation constante : utiliser l’appariement optimal multivarié combinant la distance de Mahalanobis robuste avec une contrainte de tolérance sur le score de propension, systématiquement prolongé par une analyse de sensibilité quantitative. Loin de promettre une illusoire perfection statistique, Rosenbaum a rappelé que le score de propension n’est qu’un dispositif d’équilibrage préliminaire au sein d’une architecture de preuve beaucoup plus vaste et exigeante.

12. L’héritage vivant de Paul Rosenbaum et l’avenir de l’inférence causale

12.1 L’intégration avec l’apprentissage automatique et l’intelligence artificielle

À l’ère contemporaine dominée par l’apprentissage automatique (machine learning) et l’intelligence artificielle, l’héritage de Paul Rosenbaum s’avère plus vivant et indispensable que jamais. L’avènement des mégadonnées (big data), des dossiers médicaux électroniques massifs et des traces numériques comportementales offre des opportunités d’investigation sans précédent, mais multiplie de manière exponentielle les risques d’associations fallacieuses dues à des biais d’échantillonnage massifs.

Les principes formalisés par Rosenbaum ont servi de fondations directes aux innovations les plus pointues de l’intelligence artificielle causale. Les algorithmes modernes de forêts aléatoires causales (causal forests) formalisés par Susan Athey et Stefan Wager, ainsi que les méthodes d’apprentissage ciblé (Targeted Learning) de Mark van der Laan, intègrent la machinerie des scores de propension et des fonctions d’équilibrage pour estimer l’hétérogénéité des effets de traitement à l’échelle individuelle. De plus, les algorithmes d’appariement optimal de Rosenbaum sont désormais couplés à des réseaux neuronaux profonds et à des approches d’optimisation sous contraintes pour diagnostiquer et corriger en temps réel les déséquilibres au sein de populations de plusieurs millions d’individus.

Toutefois, face à la séduction des algorithmes d’apprentissage opaque qualifiés de « boîtes noires », la philosophie de Paul Rosenbaum résonne comme un garde-fou épistémologique crucial. Il continue de rappeler à la communauté scientifique que l’augmentation de la taille d’une base de données ou la complexité d’un réseau neuronal n’élimine pas d’elle-même le biais d’un facteur non mesuré. L’exigence d’interprétabilité clinique, la sanctuarisation de la phase de design indépendante des résultats finaux et l’obligation d’éprouver la sensibilité des prédictions constituent l’antidote le plus sûr contre les illusions de l’intelligence artificielle appliquée à la santé humaine.

12.2 Impact durable sur les normes de publication en psychologie

L’empreinte laissée par Paul Rosenbaum sur la culture scientifique contemporaine est particulièrement manifeste dans l’évolution drastique des politiques éditoriales des plus grandes revues internationales. Dans les revues majeures de l’American Psychological Association (comme Psychological Methods, le Journal of Abnormal Psychology ou Developmental Psychology), ainsi que dans les revues médicales de référence telles que le JAMA Psychiatry ou The Lancet, les exigences méthodologiques applicables aux données observationnelles ont été profondément rehaussées sous l’influence directe de ses travaux.

Il est désormais devenu quasiment impensable de soumettre une étude observationnelle revendiquant un effet d’intervention sans fournir un diagnostic détaillé du support commun, un tableau exhaustif démontrant l’équilibrage strict des covariables pré-traitement (la célèbre « Table 1 » standardisée selon les critères de balance de Rosenbaum) et, surtout, un calcul formel des bornes de sensibilité aux biais cachés. L’analyse de sensibilité selon le paramètre $\Gamma$ est passée du statut d’élégance théorique rare à celui de réquisit standard exigé par les comités de lecture les plus rigoureux.

Cette transformation structurelle témoigne de l’élévation globale du niveau de conscience épistémologique des sciences du comportement. En enseignant aux chercheurs à modéliser non seulement ce qu’ils ont réussi à observer, mais aussi à quantifier avec une honnêteté chirurgicale ce qui leur échappe, Paul Rosenbaum s’est imposé comme l’une des figures tutélaires majeures de l’éthique de la preuve empirique contemporaine. Son œuvre a doté l’humanité scientifique d’instruments de mesure capables d’affronter la complexité du réel avec une rigueur, une lucidité et une humilité inégalées.

Références

• Austin, P. C. (2011). An introduction to propensity score methods for reducing the effects of confounding in observational studies. Multivariate Behavioral Research, 46(3), 399–424. https://doi.org/10.1080/00273171.2011.568786
• Hansen, B. B. (2004). Full matching in an observational study of coaching for the SAT. Journal of the American Statistical Association, 99(467), 609–618. https://doi.org/10.1198/016214504000000647
• King, G., & Nielsen, R. (2019). Why propensity scores should not be used for matching. Political Analysis, 27(4), 435–454. https://doi.org/10.1017/pan.2019.11
• Pearl, J. (2009). Causality: Models, Reasoning, and Inference (2nd ed.). Cambridge University Press. https://doi.org/10.1017/CBO9780511803161
• Rosenbaum, P. R. (1984). The consequences of adjustment for a concomitant variable that has been affected by the treatment. Journal of the Royal Statistical Society: Series A (General), 147(5), 656–666. https://doi.org/10.2307/2981690
• Rosenbaum, P. R. (1987). Sensitivity analysis for certain permutation tests in matched observational studies. Biometrika, 74(1), 13–26. https://doi.org/10.1093/biomet/74.1.13
• Rosenbaum, P. R. (1989). Optimal matching for observational studies. Journal of the American Statistical Association, 84(408), 1024–1032. https://doi.org/10.1080/01621459.1989.10478868
• Rosenbaum, P. R. (2002). Observational Studies (2nd ed.). Springer-Verlag. https://doi.org/10.1007/978-1-4757-3692-2
• Rosenbaum, P. R. (2010). Design of Observational Studies (1st ed.). Springer-Verlag. https://doi.org/10.1007/978-1-4419-1213-8
• Rosenbaum, P. R. (2017). Observation and Experiment: An Introduction to Causal Inference. Harvard University Press. https://doi.org/10.4159/9780674982697
• Rosenbaum, P. R. (2020). Design of Observational Studies (2nd ed.). Springer. https://doi.org/10.1007/978-3-030-46405-9
• Rosenbaum, P. R., & Rubin, D. B. (1983). The central role of the propensity score in observational studies for causal effects. Biometrika, 70(1), 41–55. https://doi.org/10.1093/biomet/70.1.41
• Rosenbaum, P. R., & Rubin, D. B. (1985). Constructing a control group using multivariate matched sampling methods that incorporate the propensity score. The American Statistician, 39(1), 33–38. https://doi.org/10.1080/00031305.1985.10481683
• Rubin, D. B. (1974). Estimating causal effects of treatments in randomized and nonrandomized studies. Journal of Educational Psychology, 66(5), 688–701. https://doi.org/10.1037/h0037350
• Stuart, E. A. (2010). Matching methods for causal inference: A review and a look forward. Statistical Science, 25(1), 1–21. https://doi.org/10.1214/09-STS313
• Zubizarreta, J. R. (2012). Using mixed integer programming for matching in an observational study of kidney failure after surgery. Journal of the American Statistical Association, 107(500), 1360–1371. https://doi.org/10.1080/01621459.2012.703874