📊 statistics

Sample size and power calculations for causal inference of observational studies

Dieser Artikel etabliert einen theoretischen Rahmen und liefert analytische Formeln für Stichprobengrößen- und Powerberechnungen in der beobachtenden kausalen Inferenz, indem er die Varianz in drei Komponenten zerlegt und zwei Schlüsselparameter einführt – den Bhattacharyya-Koeffizienten für die Kovariatenüberlappung und einen auf R-Quadrat basierenden Sensitivitätsparameter für Confounding – gestützt durch ein neues R-Paket und einen Online-Rechner.

Ursprüngliche Autoren: Bo Liu, Chengxin Yang, Fan Li

Veröffentlicht 2026-05-19

📖 6 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Bo Liu, Chengxin Yang, Fan Li

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie sind ein Detektiv, der herausfinden muss, ob ein neues Medikament tatsächlich wirkt. In der perfekten Welt der Wissenschaft würden Sie eine randomisierte kontrollierte Studie (RCT) durchführen. Dies ist wie das Werfen einer Münze für jeden Patienten: Kopf, sie erhalten das Medikament; Zahl, sie erhalten ein Zuckerpillen-Placebo. Da der Münzwurf zufällig ist, sind die beiden Gruppen vor Behandlungsbeginn in jeder Hinsicht identisch. Wenn die Medikamentengruppe besser wird, wissen Sie, dass es das Medikament war und nicht etwas anderes.

Aber was, wenn Sie keine Münzen werfen können? Vielleicht ist es unethisch, zu teuer oder logistisch unmöglich. Sie müssen Beobachtungsdaten verwenden. Dies ist wie der Blick in die Krankenakten eines Krankenhauses, in denen einige Patienten zufällig das Medikament erhielten und andere nicht. Das Problem? Die Menschen, die das Medikament erhielten, könnten von Anfang an kranker, reicher oder älter gewesen sein. Diese Unterschiede werden Confounder (Störfaktoren) genannt. Sie trüben das Wasser und machen es schwer zu erkennen, ob das Medikament gewirkt hat oder ob die Patienten einfach unterschiedliche Ausgangspunkte hatten.

Dieser Artikel ist ein Leitfaden für Detektive, die mit diesen unordentlichen, realen Aufzeichnungen arbeiten müssen. Er beantwortet eine entscheidende Frage: „Wie viele Patientenakten muss ich einsehen, um sicher zu sein, dass ich mich nicht selbst täusche?"

Hier ist die Aufschlüsselung ihrer Lösung, unter Verwendung einfacher Analogien:

1. Das Problem mit alten Karten

Früher versuchten Forscher zu berechnen, wie viele Aufzeichnungen sie benötigten, indem sie taten, als wären die unordentlichen Beobachtungsdaten ein perfektes Münzwurf-Experiment. Sie verwendeten Standardformeln, die für randomisierte Studien entwickelt wurden.

Der Fehler: Dies ist wie der Versuch, ein Sumpfgebiet mit einer Karte zu navigieren, die für eine Autobahn entworfen wurde. Es führt zu einer Katastrophe. Sie landen dabei, denken, Sie bräuchten 100 Aufzeichnungen, aber da die Daten so „verrauscht" (verfälscht) sind, benötigen Sie tatsächlich 1.000. Sie führen die Studie durch, finden nichts und merken, dass Sie nicht genug Menschen betrachtet haben.

2. Die neue Formel: Drei Zutaten

Die Autoren entwickelten eine neue, genauere Formel. Sie erkannten, dass Sie, um das „Rauschen" in Beobachtungsdaten zu verstehen, nicht jeden einzelnen Detail über jeden Patienten kennen müssen (was Sie vor Studienbeginn ohnehin nicht haben). Sie müssen nur drei spezifische Dinge verstehen:

Die Propensity-Score-Verteilung (die „Wahrscheinlichkeits"-Karte):
- Was es ist: Wie wahrscheinlich ist es, dass eine Person aufgrund ihrer Merkmale die Behandlung erhält?
- Die Analogie: Stellen Sie sich eine Karte vor, die zeigt, wie voll die „Behandlungs"-Seite des Raumes im Vergleich zur „Kontroll"-Seite ist. Wenn die Gruppen völlig unterschiedlich sind (z. B. nur junge Menschen erhalten die Behandlung, nur alte Menschen nicht), ist die Karte sehr ungleichmäßig. Dies wird als schlechte Überlappung bezeichnet.
- Der Trick des Artikels: Sie verwenden eine spezielle Zahl, den Bhattacharyya-Koeffizienten (nennen wir ihn den „Überlappungs-Score"), um zu messen, wie ähnlich sich die beiden Gruppen sehen. Ist der Score hoch, sind die Gruppen ähnlich (gut). Ist er niedrig, sind sie sehr unterschiedlich (schlecht).
Die Verteilung der potenziellen Ergebnisse (die „natürliche Variation"):
- Was es ist: Wie stark variieren die Patientenergebnisse natürlich?
- Die Analogie: Selbst ohne Medizin erholen sich einige Patienten schnell, und andere brauchen lange. Dies ist nur natürliche Zufälligkeit.
Die Korrelation (die „Confounder-Stärke"):
- Was es ist: Wie stark sagen die Merkmale eines Patienten sowohl das Erhalten der Behandlung ALS AUCH das Ergebnis voraus?
- Die Analogie: Dies ist die „geheime Verbindung". Wenn Krankheit Sie wahrscheinlicher dazu bringt, das Medikament zu erhalten UND Sie weniger wahrscheinlich genesen lässt, erzeugt diese Verbindung eine enorme Menge an Rauschen. Die Autoren schlagen einen „Sensitivitätsparameter" vor (nennen wir ihn den „Confounder-Koeffizienten"), um die Stärke dieser Verbindung zu messen. Sie schlagen vor, dies mit einer Standardstatistik namens R-Quadrat zu schätzen (die misst, wie gut Ihre Daten das Ergebnis vorhersagen).

3. Das „magische" Ergebnis

Die größte Durchbruchleistung des Artikels ist der Nachweis, dass Sie keine Glaskugel benötigen, um zukünftige Daten vorherzusagen. Sie benötigen nur zwei zusätzliche Zahlen (den Überlappungs-Score und den Confounder-Koeffizienten) zusätzlich zu den Standardzahlen, die für randomisierte Studien verwendet werden.

Wenn die Überlappung gut ist (Gruppen sehen ähnlich aus) und die Confounding schwach ist, benötigen Sie weniger Aufzeichnungen.
Wenn die Überlappung schlecht ist (Gruppen sind völlig unterschiedlich) oder die Confounding stark ist, benötigen Sie viele, viele mehr Aufzeichnungen, um das gleiche Maß an Sicherheit zu erreichen.

4. Der „Sicherheitsnetz"-Ansatz

Die Autoren bauten ihre Formel um ein spezifisches statistisches Werkzeug herum, den Hájek-Inverse-Probability-Weighting-Schätzer.

Die Analogie: Denken Sie daran als an eine „konservative" Strategie. Es ist wie das Packen eines Fallschirms, der etwas schwerer als notwendig ist. Es ist vielleicht nicht der leichteste, schnellste Weg zu fliegen, aber es garantiert, dass Sie nicht fallen.
Sie wählten diese Methode, weil sie nicht erfordert, dass Sie die genaue Form der Datenverteilung im Voraus erraten. Wenn Sie die Datenform falsch einschätzen, könnten andere Methoden versagen, aber diese „schwere Fallschirm"-Methode wird Ihnen immer noch eine sichere, konservative Antwort geben (was bedeutet, dass Sie möglicherweise berechnen, dass Sie etwas mehr Menschen benötigen als streng notwendig, aber Sie werden nicht mit zu wenigen enden).

5. Realwelt-Tests

Die Autoren testeten ihre Formel unter Verwendung von:

Fake-Daten: Sie erstellten Millionen imaginärer Patienten mit unterschiedlichen Levels an „Unordnung" (Überlappung) und „Confounder". Ihre Formel sagte konsistent die korrekte Anzahl an Personen voraus, die benötigt wurden, um einen echten Effekt zu finden.
Echte Daten: Sie verwendeten einen berühmten Datensatz über Herzkatheterisierung (ein medizinischer Eingriff). Sie zeigten, dass Sie, wenn Sie die alte „randomisierte Studie"-Methode verwenden würden, denken würden, Sie bräuchten etwa 1.500 Patienten. Aber ihre neue Methode berechnete korrekt, dass Sie etwa 3.600 benötigten. Die Verwendung der alten Methode hätte die Studie schwer unterpowert gelassen (wahrscheinlich, um die Wahrheit zu verpassen).

Zusammenfassung

Dieser Artikel bietet einen Rechner für Beobachtungsstudien. Er sagt Forschern: „Verraten Sie nicht einfach, wie viele Aufzeichnungen Sie benötigen. Messen Sie, wie ähnlich Ihre Gruppen sind (Überlappung) und wie stark die versteckten Verbindungen sind (Confounder). Geben Sie diese beiden Zahlen in unsere neue Formel ein, und Sie werden genau wissen, wie groß Ihre Studie sein muss, um Zeit und Geld nicht zu verschwenden."

Sie haben sogar ein kostenloses Software-Tool (ein R-Paket und einen Online-Rechner) entwickelt, damit jeder diese neue Methode anwenden kann, ohne die komplexe Mathematik selbst durchführen zu müssen.

Technische Zusammenfassung: Stichprobengröße und Power-Berechnungen für kausale Inferenz in Beobachtungsstudien

Problemstellung
Während Stichprobengrößen- und Power-Berechnungen für randomisierte kontrollierte Studien (RCTs) Standardpraxis sind, bleiben sie für Beobachtungsstudien unterentwickelt und herausfordernd. In RCTs eliminiert die Randomisierung Verwechslungen (Confounding) und ermöglicht geschlossene Formeln, die auf einfachen Mittelwertdifferenzen basieren. Im Gegensatz dazu erfordern Beobachtungsstudien eine Adjustierung für Confounding, um unverzerrte Schätzwerte für Behandlungseffekte zu erhalten. Bestehende Methoden für die Power-Analyse in Beobachtungsstudien stützen sich häufig auf die Simulation individueller Daten basierend auf nicht überprüfbaren Annahmen über den gesamten datengenerierenden Prozess oder auf Varianz-Inflationsfaktoren, die Kenntnisse über Gewichtsverteilungen voraussetzen, die im Planungsstadium nicht verfügbar sind. Folglich führt die Anwendung von RCT-basierten Formeln auf Beobachtungsstudien häufig zu stark unterpowerten Studien, während aktuelle simulationsbasierte Ansätze eine theoretische Grundlage für die Bestimmung ausreichender Zusammenfassungsstatistiken vermissen lassen.

Methodik
Die Autoren entwickeln analytische Formeln für Stichprobengrößen- und Power-Berechnungen basierend auf der Varianz des Hájek-Inverse-Probability-Weighting (IPW)-Schätzers für den durchschnittlichen Behandlungseffekt (ATE). Die Kerninnovation besteht darin, die Varianz des Schätzers in drei interpretierbare Komponenten zu zerlegen: die Verteilung der Propensity Scores, die Verteilung der potenziellen Outcomes und deren Korrelation.

Um diese Komponenten aus im Planungsstadium verfügbaren Zusammenfassungsstatistiken berechenbar zu machen, schlagen die Autoren folgenden Rahmen vor:

Verteilung der Propensity Scores: Unter der Annahme eines logistischen Regressionsmodells für die Propensity Scores nutzen die Autoren den Lyapunov-Zentralen Grenzwertsatz, um die lineare Kombination der Kovariaten ( $X'\beta$ ) als Normalverteilung zu approximieren. Dies impliziert, dass die Propensity Score einer logit-normalen Verteilung folgt. Um die Berechnung zu erleichtern, approximieren sie diese durch eine Beta-Verteilung. Sie zeigen, dass die Beta-Parameter ( $a, b$ ) eindeutig identifizierbar sind unter Verwendung zweier Eingaben:
- Der Behandlungsproportion ( $r$ ).
- Einem Überlappungskoeffizienten ( $\phi$ ), definiert als der Bhattacharyya-Koeffizient zwischen den Dichten der Propensity Scores der Behandlungs- und Kontrollgruppen. Dieser Koeffizient quantifiziert die Ähnlichkeit der Kovariatenverteilungen zwischen den Gruppen.
Verteilung der potenziellen Outcomes: Die Autoren gehen von einem semiparametrischen eingeschränkten Mittelwertmodell mit homogenem Behandlungseffekt und homoskedastischen Fehlern aus. Sie approximieren die gemeinsame Verteilung des Outcomes und des linearen Prädiktors der Propensity Score als bivariat normal. Die Korrelation zwischen potenziellen Outcomes und dem linearen Prädiktor der Propensity Score wird durch einen „Confounding-Koeffizienten" ( $\rho$ ) erfasst, der durch das $R^2$ -Statistik der Outcome-Regression auf die Kovariaten begrenzt ist.
Analytische Formel: Durch Integration dieser Komponenten leiten die Autoren eine geschlossene Formel für die minimale Stichprobengröße ( $N$ ) ab, die erforderlich ist, um eine standardisierte Effektgröße ( $e_\tau$ ) mit einer Power von $\beta$ auf einem Signifikanzniveau von $\alpha$ zu detektieren. Die Formel hängt von Standard-RCT-Eingaben ( $\alpha, \beta, e_\tau, r$ ) sowie zwei neuen Parametern ab: dem Überlappungskoeffizienten ( $\phi$ ) und dem Confounding-Koeffizienten ( $\rho$ ).

Die Methodik wird auf andere gewichtete durchschnittliche Behandlungseffekt (WATE)-Schätzer erweitert, insbesondere den durchschnittlichen Behandlungseffekt bei den Behandelten (ATT) und den durchschnittlichen Behandlungseffekt im Überlappungsbereich (ATO), wobei numerische Integration zur Berechnung der Varianz unter Tilting-Funktionen verwendet wird.

Hauptergebnisse
Durch umfangreiche numerische Experimente mit synthetischen Daten und nichtparametrischen Simulationen auf Basis realer Daten (unter Verwendung des Datensatzes „Right Heart Catheterization") demonstrieren die Autoren:

Genauigkeit: Die vorgeschlagenen analytischen Formeln erreichen konsistent eine empirische Power, die nahe am nominalen Niveau liegt (z. B. 0,80), über verschiedene Grade der Kovariaten-Überlappung und Behandlungseffekt-Szenarien hinweg.
Robustheit: Die Methode bleibt robust, selbst wenn die Annahme homogener Behandlungseffekte verletzt ist (d. h. bei Vorliegen heterogener Behandlungseffekte), obwohl die theoretische Varianz von der Varianz des bedingten Behandlungseffekts abhängt.
Vergleich mit bestehenden Methoden:
- Im Vergleich zum Standard-z-Test für zwei Stichproben (der Confounding ignoriert) identifiziert die vorgeschlagene Methode korrekt den Bedarf an größeren Stichprobengrößen, wenn die Kovariaten-Überlappung verschlechtert, während der z-Test die Anforderungen massiv unterschätzt.
- Im Vergleich zur Varianz-Inflationsfaktor-Methode von Shook-Sa und Hudgens (2022) ist die vorgeschlagene Methode etwas konservativer und genauer, insbesondere wenn der Confounding-Koeffizient ( $\rho$ ) ungleich null ist, obwohl der Unterschied gering ist, wenn $\rho$ klein ist.
Effizienz des Schätzers: Die Simulationen zeigen, dass bei schlechter Kovariaten-Überlappung der ATO-Schätzer eine deutlich kleinere Stichprobengröße erfordert als ATE oder ATT, was nahelegt, dass ATO in solchen Kontexten eine effizientere Wahl für das Studiendesign ist.
Sensitivität: Die erforderliche Stichprobengröße ist sensitiv gegenüber dem Confounding-Koeffizienten ( $\rho$ ), hauptsächlich wenn die Überlappung schlecht ist, was die Bedeutung unterstreicht, sowohl die Überlappung als auch die Stärke des Confounding während des Designs zu bewerten.

Bedeutung und Behauptungen
Das Papier beansprucht, die theoretische Grundlage für die Power-Analyse in Beobachtungsstudien zu etablieren, indem es die komplexe Varianzformel auf eine Funktion weniger interpretierbarer und allgemein verfügbarer Zusammenfassungsparameter reduziert. Die Autoren argumentieren, dass ihr Ansatz die Notwendigkeit nicht überprüfbarer Annahmen über den vollständigen datengenerierenden Prozess oder individuelle Daten umgeht.

Zu den wichtigsten Beiträgen gehören:

Theoretische Zerlegung: Der Nachweis, dass nur zwei zusätzliche Parameter ( $\phi$ und $\rho$ ) über die Standard-RCT-Eingaben hinaus ausreichen, um die minimale Stichprobengröße für Beobachtungsstudien zu bestimmen.
Praktischer Nutzen: Die Entwicklung des R-Pakets PSpower und eines Online-Rechners, die es Forschern ermöglichen, diese Berechnungen unter Verwendung von Pilotdaten oder Fachwissen durchzuführen.
Design-Leitlinien: Bereitstellung eines Rahmens für die Durchführung einer Power-Analyse a priori, was für ressourcenbeschränkte prospektive Beobachtungsstudien (z. B. seltene Krankheiten) oder bei der Auswahl von Datenquellen mit damit verbundenen Kosten (z. B. elektronische Gesundheitsakten) entscheidend ist.

Die Autoren nehmen eine bescheidene Haltung ein und erkennen an, dass ihre Herleitung auf einem logistischen Propensity-Score-Modell und einem homoskedastischen eingeschränkten Mittelwert-Outcomemodell basiert. Sie stellen fest, dass der Hájek-Schätzer zwar weniger effizient ist als doppelt robuste Schätzer, dessen Verwendung für die Stichprobenberechnung jedoch das Risiko eines Missverhältnisses zwischen Design und Analyse vermeidet, das entsteht, wenn spezifische Outcome-Modelle vor der Datenerhebung vorausgesetzt werden. Sie positionieren ihre Arbeit als konservativen Schutz gegen unterpowerte Studien, mit der Flexibilität für Analysten, effizientere Schätzer während der eigentlichen Analysephase zu verwenden.