📊 statistics

Identification and estimation of the conditional average treatment effect with nonignorable missing covariates, treatment, and outcome

Diese Arbeit stellt ein nichtparametrisches Identifikationsverfahren für den bedingten durchschnittlichen Behandlungseffekt (CATE) unter multivariaten MNAR-Mechanismen vor, entwickelt entsprechende Schätzer und schlägt ein Sensitivitätsanalyse-Rahmenwerk zur Bewertung der Robustheit gegenüber Verletzungen der Missingness-Annahmen vor.

Ursprüngliche Autoren: Shuozhi Zuo, Yixin Wang, Fan Yang

Veröffentlicht 2026-02-24

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Shuozhi Zuo, Yixin Wang, Fan Yang

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

Das große Rätsel der fehlenden Puzzleteile

Stellen Sie sich vor, Sie sind ein Detektiv, der herausfinden möchte, ob ein bestimmter Trick (z. B. ein neues Medikament oder ein Bildungsprogramm) wirklich hilft, das Leben (z. B. das Einkommen oder die Gesundheit) zu verbessern.

In einer perfekten Welt hätten Sie Daten von jedem einzelnen Menschen: Wer hat den Trick ausprobiert? Wer nicht? Wie ging es ihnen vorher? Und wie ging es ihnen danach?

Aber in der echten Welt ist das wie ein Puzzle, bei dem viele Teile verloren gegangen sind.

Manche Leute haben vergessen, ihr Alter anzugeben.
Manche haben nicht gesagt, ob sie den Trick angewendet haben.
Und das Wichtigste: Manche haben ihre Ergebnisse (z. B. ihr Gehalt) gar nicht erst gemeldet.

Das Problem ist: Oft fehlen diese Teile nicht zufällig. Vielleicht melden sich reiche Leute nicht, weil sie schüchtern sind, oder Leute mit einer Vorstrafe wollen nicht darüber sprechen. Das nennt man „nicht zufällig fehlend" (MNAR). Wenn man das ignoriert, ist das Bild, das man am Ende vom Puzzle bekommt, verzerrt – wie ein Foto, das unscharf ist, weil die Kamera wackelt.

Was haben die Forscher gefunden?

Die Autoren dieses Papers (Zuo, Wang und Yang) haben einen neuen Weg gefunden, um das Puzzle trotzdem zu lösen, auch wenn Teile fehlen und die Leute, die fehlen, sich bewusst dafür entschieden haben.

Sie haben drei verschiedene Szenarien (Regeln) entwickelt, unter denen man trotzdem eine verlässliche Antwort geben kann:

1. Der „Ehrliche" Fall (Annahme 1)

Stellen Sie sich vor, die Leute, die ihre Ergebnisse nicht melden, tun das völlig zufällig. Sie sind nicht arm oder reich, sie sind einfach nur vergesslich.

Die Lösung: In diesem Fall können Sie einfach die Leute nehmen, die alles gemeldet haben, und die Analyse darauf stützen. Das ist wie wenn Sie nur die klaren Fotos in Ihrem Album betrachten, weil die unscharfen zufällig entstanden sind. Das funktioniert gut, ist aber in der Realität oft zu optimistisch.

2. Der „Versteckte Hinweis" Fall (Annahme 2 & 3)

Hier wird es spannender. Was, wenn die Leute ihre Ergebnisse nicht melden, weil sie zu viel oder zu wenig verdienen? Das ist das echte Problem.

Die Lösung: Die Forscher sagen: „Okay, wir können das Ergebnis nicht direkt sehen, aber wir haben einen Schatten (einen anderen Hinweis), der uns verrät, was los ist."
Die Analogie: Stellen Sie sich vor, Sie wollen herausfinden, ob ein neuer Sportkurs die Muskeln stärkt. Aber die Leute, die keine Muskeln aufgebaut haben, melden sich nicht zurück.
- Wenn Sie aber wissen, dass die Leute, die den Kurs gemacht haben, immer eine bestimmte Art von T-Shirt tragen (ein anderer Faktor), und dieses T-Shirt nichts mit den fehlenden Daten zu tun hat, können Sie die Lücke füllen.
- Die Forscher nutzen mathematische Tricks (genannt „Vollständigkeitsbedingung"), um sicherzustellen, dass dieser „Schatten" (z. B. das T-Shirt oder die Herkunft) genug Informationen liefert, um das fehlende Bild zu rekonstruieren, ohne dass man lügen muss.

Warum ist das so wichtig?

Bisher haben viele Studien versucht, das gesamte Bild wiederherzustellen. Das ist wie zu versuchen, ein ganzes Haus aus Sand zu bauen, wenn der Wind weht – es fällt sofort auseinander.

Die Autoren sagen: „Wir müssen nicht das ganze Haus bauen. Wir müssen nur wissen, ob das Dach hält."
Sie konzentrieren sich nur auf den spezifischen Effekt des Tricks auf die Person (den CATE). Das ist viel einfacher zu berechnen, selbst wenn Teile des Puzzles fehlen. Sie zeigen, dass man unter bestimmten, realistischen Bedingungen trotzdem eine korrekte Antwort finden kann, ohne die ganze Welt neu zu erfinden.

Der Test: Das Job Corps Beispiel

Um zu beweisen, dass ihre Methode funktioniert, haben sie echte Daten aus dem „National Job Corps Study" (ein Programm für junge Erwachsene) analysiert.

Die Frage: Hilft ein Zertifikat, mehr Geld zu verdienen?
Das Problem: Viele Teilnehmer haben ihre Gehälter oder ihre Vorstrafen nicht angegeben.
Das Ergebnis: Egal welche der drei Methoden sie anwendeten, das Ergebnis war immer gleich: Das Zertifikat hilft wirklich, mehr Geld zu verdienen. Selbst wenn sie annahmen, dass die Daten nicht zufällig fehlten, blieb das Ergebnis stabil.

Die „Sensitivitäts-Analyse" (Der Stresstest)

Da man nie zu 100 % sicher sein kann, ob die Regeln (Annahmen) stimmen, haben die Forscher einen Stresstest entwickelt.
Stellen Sie sich vor, Sie bauen ein Haus. Sie sagen: „Es hält, wenn der Wind bis zu 100 km/h weht." Dann bauen Sie einen Simulator, der den Wind langsam von 0 auf 200 km/h hochdrehen lässt.

Wenn das Haus bei 150 km/h noch steht, ist es robust.
In diesem Papier haben sie gezeigt, dass ihre Schätzung des positiven Effekts auch dann noch stimmt, wenn man annimmt, dass die fehlenden Daten noch etwas stärker verzerrt sind als gedacht.

Fazit für den Alltag

Dieses Papier ist wie ein neuer, robusterer Kompass für Forscher und Politiker.
Früher sagte man: „Wenn Daten fehlen, können wir nichts sagen."
Jetzt sagen diese Forscher: „Wenn Daten fehlen, aber wir verstehen warum sie fehlen (oder zumindest einen Teil des Warum), können wir trotzdem eine verlässliche Antwort geben."

Das bedeutet, dass wir bessere Entscheidungen in der Medizin und Politik treffen können, selbst wenn die Daten nicht perfekt sind. Wir müssen nicht aufhören zu forschen, nur weil das Puzzle unvollständig ist – wir haben jetzt Werkzeuge, um die fehlenden Teile logisch zu ergänzen.

1. Problemstellung

In der beobachtenden Forschung (observational studies) ist die Schätzung des bedingten durchschnittlichen Behandlungseffekts (CATE) entscheidend für die Personalisierung von Politiken und medizinischen Interventionen. Der CATE, definiert als $\tau_{t_1,t_0}(x) = E\{Y(t_1) - Y(t_0) \mid X = x\}$ , beschreibt, wie sich der Behandlungseffekt über verschiedene Individuen (charakterisiert durch Kovariaten $X$ ) unterscheidet.

Das zentrale Problem dieses Papers ist das Vorhandensein von fehlenden Daten (Missing Data) in Kovariaten ( $X$ ), der Behandlung ( $T$ ) und dem Ergebnis ( $Y$ ). Insbesondere wird der Fall betrachtet, in dem das Fehlen der Daten von den unbeobachteten Werten selbst abhängt (Missing Not At Random, MNAR).

Herausforderung: Standardmethoden wie Complete-Case-Analyse (CCA), Multiple Imputation (MI) oder Inverse Probability Weighting (IPW) basieren auf den Annahmen MCAR (Missing Completely At Random) oder MAR (Missing At Random). Unter MNAR führen diese Methoden zu verzerrten Schätzungen.
Komplexität: In vielen realen Szenarien (z. B. der National Job Corps Study, NJCS) sind nicht nur einzelne Variablen, sondern Kovariaten, Behandlung und Ergebnis gleichzeitig teilweise fehlend, wobei die Mechanismen komplex und selbstzensierend sein können (z. B. hängt die Nicht-Antwort auf Einkommen vom tatsächlichen Einkommen ab).
Lücken in der Literatur: Bisherige Arbeiten konzentrierten sich oft auf die Identifizierung des durchschnittlichen Behandlungseffekts (ATE) unter restriktiven MNAR-Bedingungen oder beschränkten sich auf fehlende Kovariaten bei vollständig beobachteter Behandlung. Die Identifizierung des CATE unter allgemeinen multivariaten MNAR-Mechanismen, bei denen auch $T$ und $Y$ fehlen können, war bisher nicht ausreichend geklärt.

2. Methodik

Die Autoren entwickeln ein Rahmenwerk für die nichtparametrische Identifizierung und Schätzung des CATE in prospektiven Studien (wo $X$ und $T$ vor $Y$ gemessen werden).

A. Identifizierungsbedingungen (Theoretische Grundlage)

Das Paper nutzt gerichtete azyklische Graphen (DAGs), um die Abhängigkeiten zwischen Variablen und Fehlend-Indikatoren ( $R_X, R_T, R_Y$ ) zu modellieren. Unter der Annahme, dass zukünftige Ergebnisse ( $Y, R_Y$ ) vergangene Variablen ( $X, T$ ) nicht beeinflussen, werden drei spezifische MNAR-Mechanismen für das Ergebnis $Y$ definiert, die jeweils eine einzige Abhängigkeitsrichtung zur Fehlend-Variable $R_Y$ ausschließen:

Annahme 1 (Ergebnis-unabhängig): $R_Y \perp\!\!\perp Y \mid (X, T, R_X, R_T)$ $R_{Y} ⊥ ⊥ Y ∣ (X, T, R_{X}, R_{T})$ . Das Fehlen von $Y$ $Y$ hängt nicht vom Wert von $Y$ $Y$ selbst ab (keine Selbstzensierung).
- Ergebnis: Der CATE ist identifizierbar, und die bedingte Verteilung $P(Y|X,T)$ kann durch vollständige Fälle (Complete Cases) konsistent geschätzt werden.
Annahme 2 (Behandlungs-unabhängig): $R_Y \perp\!\!\perp T \mid (X, Y, R_X, R_T)$ $R_{Y} ⊥ ⊥ T ∣ (X, Y, R_{X}, R_{T})$ . Das Fehlen von $Y$ $Y$ hängt nicht direkt von der Behandlung $T$ $T$ ab, kann aber von $Y$ $Y$ abhängen (Selbstzensierung erlaubt).
- Ergebnis: Identifizierbarkeit erfordert eine Vollständigkeitsbedingung (Completeness Condition). Die Behandlung $T$ muss als „Schattenvariable" (shadow variable) fungieren, die mit $Y$ assoziiert ist, aber unter Kontrolle von $X$ und $Y$ keinen direkten Einfluss auf $R_Y$ hat.
- Besonderheit: Falls $Y \perp\!\!\perp T \mid X$ (kein Effekt), ist der CATE auch ohne Vollständigkeitsbedingung identifizierbar und gleich 0.
Annahme 3 (Kovariaten-unabhängig): $R_Y \perp\!\!\perp X \mid (T, Y, R_X, R_T)$ $R_{Y} ⊥ ⊥ X ∣ (T, Y, R_{X}, R_{T})$ . Das Fehlen von $Y$ $Y$ hängt nicht direkt von den Kovariaten $X$ $X$ ab, kann aber von $Y$ $Y$ abhängen.
- Ergebnis: Ähnlich wie bei Annahme 2, jedoch muss hier $X$ die Rolle der Schattenvariable übernehmen. Eine Teilmenge von $X$ muss die Vollständigkeitsbedingung erfüllen.

Ein entscheidender theoretischer Beitrag ist die Unterscheidung zwischen ATE und CATE: Während die Wiederherstellung der gemeinsamen Verteilung von $(X, T, Y)$ unter diesen Annahmen oft unmöglich ist (und somit der ATE nicht identifizierbar ist), bleibt der CATE identifizierbar, da er nur von der bedingten Verteilung $P(Y|X,T)$ abhängt.

B. Schätzverfahren

Basierend auf den Identifizierungsergebnissen werden zwei Schätzer entwickelt:

Nichtparametrischer Reihen-2SLS-Schätzer (Series 2SLS):
- Löst die Fredholm-Integralgleichung, die aus der Identifizierungsbedingung abgeleitet wird, um die Odds-Ratio der Antwortwahrscheinlichkeit zu schätzen.
- Nutzt eine Sieve-Approximation (z. B. Hermite-Basen) und quadratische Regularisierung, um das schlecht gestellte (ill-posed) Problem zu stabilisieren.
- Erzeugt inverse Wahrscheinlichkeitsgewichte für eine korrigierte Regression auf den vollständigen Fällen.
- Vorteil: Flexibel, keine parametrischen Annahmen über die Verteilungen.
- Nachteil: Numerisch instabil, sensitiv gegenüber Tuning-Parametern.
Parametrischer Maximum-Likelihood-Schätzer (EM-Algorithmus):
- Modelliert die Ergebnisverteilung (z. B. GLM) und die Antwortwahrscheinlichkeit parametrisch.
- Nutzt den Expectation-Maximization (EM)-Algorithmus mit Fractional Imputation (FI), um die latenten fehlenden Ergebnisse zu behandeln.
- Vorteil: Stabilere Schätzungen, einfacher zu implementieren, besser geeignet für Sensitivitätsanalysen.

3. Wichtige Beiträge

Identifizierung unter multivariaten MNAR: Das Paper liefert die ersten allgemeinen nichtparametrischen Identifizierungsergebnisse für den CATE, wenn Kovariaten, Behandlung und Ergebnis gleichzeitig MNAR sein können.
Schwächere Annahmen für CATE als für ATE: Es wird gezeigt, dass der CATE unter schwächeren Bedingungen identifizierbar ist als der ATE, da die Rekonstruktion der gemeinsamen Verteilung der fehlenden Variablen nicht notwendig ist.
Neue Mechanismen für Selbstzensierung: Die Einführung von Annahmen 2 und 3 erlaubt Selbstzensierung beim Ergebnis ( $Y \to R_Y$ ), was in der Praxis häufig vorkommt, aber bisher oft als unüberwindbares Hindernis galt.
Sensitivitätsanalyse-Rahmenwerk: Da die MNAR-Annahmen nicht aus den Daten testbar sind, wird ein Rahmenwerk entwickelt, um die Robustheit der Ergebnisse zu quantifizieren. Dies geschieht durch die Einführung eines einzelnen Parameters $\delta$ , der die ausgeschlossene Abhängigkeitsrichtung (z. B. $Y \to R_Y$ ) wiederherstellt.

4. Ergebnisse

Simulationen

Die Autoren führten umfangreiche Simulationen durch, um die Leistung der Schätzer unter den verschiedenen Annahmen zu testen:

Unter Annahme 1: Die Complete-Case-Analyse (CCA) ist unverzerrt.
Unter Annahmen 2 und 3: Herkömmliche Methoden (CCA, MI) zeigen erhebliche Verzerrungen.
Leistung der neuen Schätzer:
- Der nichtparametrische Schätzer (NP) und der parametrische Schätzer (Para) liefern unter den korrekten Annahmen und bei Erfüllung der Vollständigkeitsbedingung nahezu unverzerrte Ergebnisse.
- Wenn die Vollständigkeitsbedingung verletzt ist (z. B. bei diskreten Variablen mit zu wenig Variation), zeigt der NP-Schätzer Verzerrungen, während der parametrische Schätzer (bei korrekter Spezifikation) robust bleibt.
- Der Schätzer „Para (full)", der versucht, die gemeinsame Verteilung zu modellieren, liefert verzerrte Ergebnisse, was die Notwendigkeit der Subset-Analyse (Fokus auf $P(Y|X,T)$ ) unterstreicht.

Anwendung auf die National Job Corps Study (NJCS)

Die Methode wurde auf reale Daten angewendet, um den Effekt des Erwerbs eines Bildungs- oder Berufsabschlusses auf das wöchentliche Einkommen zu schätzen.

Daten: Hohe Fehlerraten bei Einkommen (21%), Behandlung (21%) und Kovariaten.
Ergebnis: Unter allen drei MNAR-Annahmen (1, 2 und 3) sowie in der Sensitivitätsanalyse zeigt sich ein signifikant positiver Effekt des Abschlusses auf das Einkommen. Die 95%-Konfidenzintervalle schließen Null in allen Spezifikationen aus.
Sensitivitätsanalyse: Selbst bei starken Abweichungen von den Basisannahmen (Parameter $\delta \in [-2, 2]$ ) bleibt der positive Effekt stabil. Dies unterstreicht die Robustheit der Schlussfolgerung.

5. Bedeutung und Fazit

Dieses Paper ist ein Meilenstein in der kausalen Inferenz mit fehlenden Daten. Es löst das Problem der Schätzung heterogener Behandlungseffekte in realistischen Szenarien, in denen Daten nicht zufällig fehlen und sogar von den fehlenden Werten abhängen.

Praktische Relevanz: Die Autoren empfehlen den parametrischen Schätzer als primäre Methode aufgrund seiner Stabilität und der einfachen Integration in Sensitivitätsanalysen. Der nichtparametrische Schätzer dient als robuste Überprüfung der parametrischen Spezifikation.
Paradigmenwechsel: Es zeigt, dass man für die Identifizierung von CATE nicht zwingend die vollständige gemeinsame Verteilung der Daten rekonstruieren muss, was die Anforderungen an die Annahmen über den Fehlend-Mechanismus drastisch senkt.
Rahmenwerk: Das vorgestellte Sensitivitätsanalyse-Tool ermöglicht es Forschern, die Unsicherheit bezüglich der MNAR-Annahmen quantitativ zu bewerten, was in der angewandten Forschung bisher oft fehlte.

Zusammenfassend bietet das Paper sowohl theoretische Tiefe (Identifizierbarkeit unter MNAR) als auch praktische Werkzeuge (Schätzer und Sensitivitätsanalyse), um verzerrte Schlussfolgerungen in der Politik- und Medizinforschung zu vermeiden.