Utiliser des diagrammes causaux pour guider l'analyse des problèmes de données manquantes

Estimer les effets causaux à partir de données incomplètes nécessite des hypothèses supplémentaires et intrinsèquement non testables concernant le mécanisme à l'origine des données manquantes. Nous montrons que l'utilisation de diagrammes causaux pour représenter ces hypothèses supplémentaires complète et clarifie certaines des questions centrales de la théorie des données manquantes, telles que la classification de Rubin des mécanismes de données manquantes (comme manquant complètement au hasard (MCAR), manquant au hasard (MAR) ou manquant non au hasard (MNAR)) et les circonstances dans lesquelles les effets causaux peuvent être estimés sans biais en n'analysant que les sujets avec des données complètes. Ce faisant, nous étendons formellement le critère de porte arrière de Pearl et d'autres pour une utilisation dans des exemples de données incomplètes. Ces idées sont illustrées par un exemple tiré d'une étude de cohorte professionnelle sur l'effet des radiations cosmiques sur l'incidence du cancer de la peau.