📊 statistics

A Bayesian Reinterpretation of Cornfield-Type Sensitivity Analysis: From Thresholds to Probabilities

Diese Arbeit schlägt eine bayessche Reformulierung der Cornfield-artigen Sensitivitätsanalyse vor, bei der die Stärke nicht gemessener Konfundierung als Zufallsvariable behandelt wird, um die E-Value-Schwellenwerte in eine direkt interpretierbare, posteriori Wahrscheinlichkeit für die Robustheit von kausalen Schlussfolgerungen zu übersetzen.

Ursprüngliche Autoren: Tommaso Costa

Veröffentlicht 2026-03-20

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Tommaso Costa

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 „Was-wäre-wenn"-Spiel: Warum wir uns nicht nur auf Zahlen verlassen sollten

Stellen Sie sich vor, Sie lesen eine Studie, die behauptet: „Schokolade macht schlank!" Die Forscher haben alle bekannten Faktoren berücksichtigt (Alter, Sport, Schlaf), aber sie wissen, dass es vielleicht einen versteckten Faktor gibt, den sie übersehen haben. Vielleicht essen Schokofans zufälligerweise auch weniger Brot, und das macht sie schlank, nicht die Schokolade.

In der Wissenschaft nennt man das versteckte Verzerrung (unmeasured confounding). Das Problem ist: Wir können diesen Faktor nicht sehen, also können wir ihn nicht beweisen oder widerlegen.

Das alte Spiel: Der „E-Wert" als Warnleuchte

Bisher haben Wissenschaftler ein Werkzeug namens E-Wert benutzt. Das ist wie eine Warnleuchte oder ein Schwellenwert.

Die Frage: „Wie stark müsste dieser unsichtbare Störfaktor sein, damit die ganze Schoko-Studie falsch ist?"
Die Antwort: „Wenn der Faktor stärker ist als 3,0, dann ist die Studie wertlos."

Das Problem dabei: Der E-Wert sagt uns nur, wie stark der Störfaktor sein müsste. Er sagt uns aber nicht, ob es überhaupt plausibel ist, dass so ein starker Störfaktor existiert.

Beispiel: Der E-Wert sagt: „Der Störfaktor müsste so stark sein wie ein Hurrikan."
Die Realität: In Ihrer Stadt gibt es nie Hurrikane. Also ist die Studie wahrscheinlich trotzdem richtig. Aber das alte Werkzeug sagt Ihnen das nicht direkt. Es sagt nur: „Wenn ein Hurrikan kommt, dann ist es vorbei."

Die neue Idee: Vom „Ob" zum „Wie wahrscheinlich"

Tommaso Costa schlägt vor, das Spiel zu ändern. Statt nur nach einem festen Grenzwert zu schauen, fragen wir: „Wie wahrscheinlich ist es eigentlich, dass so ein starker Störfaktor existiert?"

Er nutzt dafür eine bayessche Methode (eine Art mathematisches Denken unter Unsicherheit).

Die Metapher: Der Wahrsager und der Detektiv
Stellen Sie sich vor, Sie sind ein Detektiv, der einen Diebstahl aufklärt.

Das alte Modell (E-Wert): Der Detektiv sagt: „Der Dieb müsste mindestens 2 Meter groß sein, um durch das Fenster zu passen." (Das ist der E-Wert). Aber er weiß nicht, wie viele 2-Meter-Leute in der Stadt leben.
Das neue Modell (Costa): Der Detektiv sagt: „Okay, der Dieb müsste 2 Meter groß sein. Aber in dieser Stadt gibt es nur 5 Leute, die so groß sind, und keiner davon hat ein Alibi. Die Wahrscheinlichkeit, dass der Dieb einer dieser 5 ist, beträgt also nur 1 %."

Costa berechnet genau diese Wahrscheinlichkeit. Er nimmt an, dass starke Störfaktoren (wie der 2-Meter-Dieb) selten sind, und berechnet, wie wahrscheinlich es ist, dass einer genau in Ihrer Studie aufgetaucht ist.

Was passiert in der Studie?

Costa hat viele echte Studien (z. B. über Rauchen und Lungenkrebs oder Schmerzmittel und Rückenschmerzen) durchgerechnet.

Fall A (Starke Wirkung): Eine Studie zeigt einen riesigen Effekt (z. B. Rauchen führt fast sicher zu Krebs). Der E-Wert sagt: „Der Störfaktor müsste riesig sein."
- Costas Ergebnis: Die Wahrscheinlichkeit, dass so ein riesiger Störfaktor existiert, ist extrem gering (nahe 0 %). Die Studie ist also sehr robust.
Fall B (Schwache Wirkung): Eine Studie zeigt einen kleinen Effekt (z. B. ein bestimmtes Nahrungsmittel hilft leicht gegen Kopfschmerzen). Der E-Wert sagt: „Der Störfaktor müsste nur klein sein."
- Costas Ergebnis: Die Wahrscheinlichkeit, dass so ein kleiner Störfaktor existiert, ist ziemlich hoch (z. B. 50 %). Das bedeutet: Wir sollten hier vorsichtig sein, denn es ist sehr gut möglich, dass der kleine Effekt gar nicht vom Nahrungsmittel kommt, sondern von etwas anderem.

Warum ist das wichtig?

Früher mussten Forscher raten: „Der E-Wert ist 3, das ist ja hoch, also ist die Studie sicher." Das war oft nur Bauchgefühl.

Mit Costas Methode wird aus dem Bauchgefühl eine fundierte Wahrscheinlichkeit.

Es verwandelt die Frage von „Könnte es sein?" (Ja, theoretisch) in „Wie wahrscheinlich ist es?" (Nein, kaum).
Es erlaubt Wissenschaftlern, Unsicherheit nicht als „Fehler" zu verstecken, sondern sie offen als Wahrscheinlichkeit zu kommunizieren.

Fazit in einem Satz

Statt nur zu sagen: „Ein Monster könnte die Studie zerstören", sagt Costas neue Methode: „Es gibt zwar theoretisch Monster, aber die Chance, dass genau dieses Monster heute in Ihrer Studie lauert, ist so gering, dass Sie ruhig schlafen können."

Das macht die Wissenschaft transparenter und hilft uns besser zu entscheiden, welchen Studien wir vertrauen können.

Titel: Eine bayessche Neuinterpretation der Cornfield-artigen Sensitivitätsanalyse: Von Schwellenwerten zu Wahrscheinlichkeiten

Autor: Tommaso Costa

1. Problemstellung

In der kausalen Inferenz aus Beobachtungsstudien bleibt die Frage nach nicht gemessenen Störfaktoren (Confounding) ein fundamentales epistemologisches Hindernis. Selbst nach Anpassung für beobachtete Kovariaten kann ein unbeobachteter Faktor die beobachtete Assoziation erklären.

Bestehende Ansätze: Die gängige Sensitivitätsanalyse basiert auf Schwellenwert-Quantitäten wie der Cornfield-Bedingung oder dem E-Wert (VanderWeele & Ding, 2017). Diese geben an, wie stark ein nicht gemessener Confounder sein muss, um einen beobachteten Effekt vollständig zu erklären („explain away").
Die Lücke: Diese Methoden beantworten nicht die entscheidende inferenzstatistische Frage: Wie plausibel ist es, dass ein solcher Confounder tatsächlich existiert?
Aktuelle Praxis: Forscher stützen sich oft auf informelle Urteile („großer" vs. „kleiner" E-Wert), die kontextabhängig und ohne formale probabilistische Grundlage sind. Bestehende bayessche Ansätze oder probabilistische Bias-Analysen erfordern oft detaillierte Individualdaten oder starke Modellannahmen, was ihre Anwendbarkeit auf Zusammenfassungsdaten (Summary-Level Data) einschränkt.

2. Methodik

Der Autor schlägt eine vollständig bayessche Reformulierung der Cornfield-artigen Sensitivitätsanalyse vor, bei der die Stärke des Confoundings als Zufallsvariable modelliert wird.

Konzeptioneller Rahmen

Modellierung: Die beobachtete Assoziation $RR_{obs}$ (Risikoverhältnis) wird als Produkt des wahren kausalen Effekts $RR_{true}$ und eines Verzerrungsfaktors $\Gamma$ ( $\ge 1$ ) dargestellt:
$RR_{obs} = RR_{true} \cdot \Gamma$
Logarithmische Transformation: Zur Vereinfachung wird auf der Log-Skala gearbeitet:
$\theta_{obs} = \theta_{true} + \log(\Gamma) + \epsilon$
wobei $\epsilon \sim \mathcal{N}(0, s^2)$ den Messfehler darstellt.

Prior-Verteilungen

Da das Modell aus den Daten allein nicht identifizierbar ist (man kann wahren Effekt und Bias nicht trennen), stützt sich die Inferenz auf Prior-Annahmen:

Kausaler Effekt ( $\theta_{true}$ ): Wird als normalverteilt angenommen ( $\mathcal{N}(0, \sigma_*^2)$ ), was große Effekte als möglich, aber nicht extrem wahrscheinlich betrachtet.
Stärke des Confoundings ( $\log \Gamma$ ): Wird als Half-Normal-Verteilung ( $\text{Half-Normal}(0, \sigma_+^2)$ ) modelliert. Dies erzwingt $\Gamma \ge 1$ . Der Skalierungsparameter $\sigma_+$ kodiert die Plausibilität starker Confounding-Effekte (kleines $\sigma_+$ bedeutet Skepsis gegenüber starken Verzerrungen).

Inferenz und E-Wert-Bezug

Der E-Wert wird im neuen Rahmen als deterministische Schwelle $\Gamma^*$ interpretiert, die notwendig ist, um den Effekt zu nullen.
Statt nur $\Gamma^*$ zu melden, berechnet das Modell die posteriore Wahrscheinlichkeit:
$P(\Gamma \ge \Gamma^* \mid \theta_{obs})$
Diese Wahrscheinlichkeit quantifiziert direkt, wie plausibel es ist, dass der Confounding-Faktor stark genug ist, um die beobachtete Assoziation zu entkräften.

3. Wichtige Beiträge

Paradigmenwechsel: Transformation der Sensitivitätsanalyse von einer deskriptiven Diagnose („Wie stark muss der Bias sein?") zu einer probabilistischen Inferenz („Wie wahrscheinlich ist ein solches Bias?").
Anwendung auf Zusammenfassungsdaten: Das Modell funktioniert mit aggregierten Daten (Effektgrößen und Standardfehler), was es für die breite epidemiologische Praxis anwendbar macht, ohne auf Individualdaten angewiesen zu sein.
Formalisierung von Costa (2025): Die Arbeit erweitert einen vorherigen simulationsbasierten Ansatz durch ein explizites generatives bayessches Modell, das Prior-Verteilungen und Posterior-Wahrscheinlichkeiten rigoros verknüpft.
Interpretierbarkeit: Der E-Wert bleibt als Schwellenwert erhalten, erhält aber durch die Posterior-Wahrscheinlichkeit eine direkte, entscheidungsrelevante Bedeutung.

4. Ergebnisse

Die Methode wurde auf 11 Fallstudien aus vier Bereichen angewendet (Rauchen, Rückenschmerzen, Alzheimer, Umweltgesundheit), basierend auf einem öffentlichen Datensatz (Xiang et al., 2026).

Zusammenhang E-Wert und Wahrscheinlichkeit: Es zeigt sich ein monotoner Zusammenhang: Hohe E-Werte führen zu sehr niedrigen Posterior-Wahrscheinlichkeiten, dass ein ausreichender Confounder existiert.
- Beispiel Umweltgesundheit: E-Wert = 4,25 $\rightarrow$ $P(\Gamma \ge \Gamma^*) \approx 0,004$ (sehr robust).
- Beispiel Alzheimer: E-Wert = 1,32–1,39 $\rightarrow$ $P(\Gamma \ge \Gamma^*) \approx 0,5$ (hohe Verwundbarkeit).
Heterogenität: Das Modell unterscheidet auch innerhalb derselben Studie (z. B. verschiedene Raucher-Expositionen) und zeigt unterschiedliche Verwundbarkeiten auf, die durch einen einzigen qualitativen E-Wert oft verschleiert werden.
Sensitivität gegenüber Priors:
- Bei großen E-Werten sind die Ergebnisse über einen weiten Bereich von Prior-Annahmen stabil (die Assoziation bleibt robust).
- Bei kleinen E-Werten hängen die Schlussfolgerungen stärker von der Wahl des Priors ab, was die inhärente Unsicherheit schwacher Effekte widerspiegelt.

5. Bedeutung und Fazit

Methodologischer Fortschritt: Die Arbeit schließt die Lücke zwischen der quantitativen Bestimmung der erforderlichen Bias-Stärke und der Bewertung der Plausibilität eines solchen Bias. Sie ersetzt binäre Urteile („robust" vs. „nicht robust") durch graduelle Wahrscheinlichkeitsaussagen.
Praktische Relevanz: Forscher erhalten ein Werkzeug, um Unsicherheit transparent zu machen und Prior-Wissen explizit in die Bewertung der kausalen Glaubwürdigkeit einzubeziehen.
Bayessche Ausrichtung: Die Methode aligniert die Sensitivitätsanalyse mit dem bayesschen Prinzip der Inferenz unter Unsicherheit, bei dem Wahrscheinlichkeit als Grad des Glaubens verstanden wird.
Zukunftsperspektive: Obwohl das Modell vereinfachend ist (einzelner Bias-Parameter), bietet es eine kohärente Grundlage für zukünftige Erweiterungen, wie hierarchische Modelle oder die Integration in große Meta-Analysen.

Zusammenfassend bietet dieser Ansatz eine konzeptionell kohärente und praktisch anwendbare Erweiterung bestehender Methoden, die die Interpretierbarkeit des E-Werts bewahrt, aber dessen zentrale Schwäche – das Fehlen einer probabilistischen Interpretation – behebt.