📊 statistics

Sensitivity analysis for causal mediation: bridge score, sharp sensitivity bounds, and calibration

Dieser Beitrag führt den „Bridge Score" ein, um scharfe Sensitivitätsgrenzen für unbeobachtete Konfundierung zwischen Mediator und Ergebnis in der kausalen Mediationsanalyse abzuleiten, und stellt Kalibrierungsmethoden sowie einen Bayes'schen Algorithmus bereit, um diese Grenzen für eine robuste Inferenz operationalisierbar zu machen.

Ursprüngliche Autoren: Yuki Ohnishi, Fan Li

Veröffentlicht 2026-05-19

📖 6 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Yuki Ohnishi, 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 versuchen herauszufinden, warum eine bestimmte Behandlung (wie ein neues Medikament oder eine politische Botschaft) wirkt. Sie vermuten, dass sie über einen spezifischen „Vermittler" (einen Mediator) wirkt. Zum Beispiel könnte eine negative Nachrichtensendung die Menschen wütend machen (der Mediator), was sie dann dazu bringt, strengere Einwanderungsgesetze zu unterstützen (das Ergebnis).

Um dies zu beweisen, gehen Wissenschaftler normalerweise davon aus, dass, sobald sie die Wut berücksichtigen, keine anderen versteckten Faktoren die Nachrichtensendung und die Unterstützung der Politik heimlich verknüpfen. Aber was, wenn es doch versteckte Faktoren gibt? Vielleicht waren die Menschen, die die wütend machende Nachricht erhielten, auch zufällig von Natur aus ängstlicher, und diese Angst treibt sowohl die Wut als auch die Unterstützung der Politik an. Wenn Sie dies nicht berücksichtigen, sind Ihre Ergebnisse falsch.

Dieser Artikel stellt eine neue, robustere Methode vor, um zu testen, wie stark diese versteckten Faktoren Ihre Ergebnisse verzerren könnten. Hier ist die Aufschlüsselung mit einfachen Analogien:

1. Das Problem: Der „Versteckte Marionettenspieler"

In der Standardanalyse tun Forscher so, als wäre der „Vermittler" (der Mediator) unschuldig. In der Realität könnte es jedoch einen „versteckten Marionettenspieler" (einen nicht gemessenen Störfaktor) geben, der sowohl am Vermittler als auch am Ergebnis an den Fäden zieht.

Der alte Weg: Forscher versuchten früher, eine einzelne Zahl (wie einen Korrelationskoeffizienten) zu erraten, um diesen versteckten Marionettenspieler darzustellen. Das Problem ist, dass diese Schätzung oft zu einfach oder zu starr war, wie der Versuch, einen komplexen Sturm mit einer einzigen Windgeschwindigkeitszahl zu beschreiben.
Der neue Weg: Dieser Artikel sagt: „Lassen Sie uns nicht eine einzelne Zahl erraten. Lassen Sie uns eine bessere Karte erstellen, um genau zu sehen, wie stark dieser Marionettenspieler sein könnte."

2. Die Lösung: Der „Brücken-Score"

Die Autoren erfinden ein neues Werkzeug namens Brücken-Score.

Die Analogie: Stellen Sie sich vor, Sie versuchen, einen Fluss zu überqueren. Auf der einen Seite ist die „Kontrollgruppe" (Menschen, die keine Behandlung erhielten), und auf der anderen die „Behandlungsgruppe" (Menschen, die eine erhielten).
Normalerweise betrachtet man die Menschen auf beiden Seiten separat. Aber der Brücken-Score betrachtet eine spezifische Person und fragt: „Wenn diese Person in der Kontrollgruppe gewesen wäre, wie wahrscheinlich wäre es gewesen, dass sie diesen spezifischen Mediator-Wert hat? Und wenn sie in der Behandlungsgruppe gewesen wäre, wie wahrscheinlich wäre es gewesen, dass sie ihn hat?"
Er erstellt eine zweidimensionale „Ausweis"-Karte für jede Person basierend auf diesen beiden Wahrscheinlichkeiten. Dieser Ausweis fungiert als eine „Brücke", die die beiden Gruppen perfekt ausgleicht.
Warum es hilft: Anstatt zu versuchen, jedes einzelne Detail über eine Person (Alter, Einkommen, Wohnort usw.) zu berücksichtigen, um den versteckten Marionettenspieler zu finden, kondensiert der Brücken-Score alle diese Informationen in diese eine, mächtige Ausweis-Karte. Es ist wie der Einsatz eines hochauflösenden Fingerabdrucks anstelle eines unscharfen Fotos, um jemanden zu identifizieren.

3. Die „Scharfe Grenze": Das Sicherheitsnetz

Sobald sie diesen Brücken-Score haben, berechnen die Autoren eine „Scharfe Grenze".

Die Analogie: Denken Sie daran wie an ein Sicherheitsnetz mit einer sehr präzisen Decke. Wenn Sie annehmen, dass der versteckte Marionettenspieler so stark ist, kann der Fehler in Ihren Ergebnissen unmöglich höher als diese Decke sein.
Warum „Scharf"? Viele alte Methoden gaben ein Sicherheitsnetz, das so weit war (wie ein Netz, das den ganzen Himmel bedeckt), dass es nicht nützlich war. Dieses neue Netz ist straff. Es sagt Ihnen den exakten maximal möglichen Fehlerbetrag unter Berücksichtigung Ihrer Annahmen. Es ist der Unterschied zwischen dem Satz „Der Fehler könnte irgendwo zwischen 0 und 100 % liegen" und „Der Fehler liegt definitiv zwischen 0 und 12 %".

4. Kalibrierung: „Der Lineal-Test"

Die größte Herausforderung ist: „Wie wissen wir, wie stark der versteckte Marionettenspieler tatsächlich ist?" Wir können ihn nicht direkt messen.
Der Artikel bietet zwei Möglichkeiten an, diese Stärke zu kalibrieren (zu messen), indem er Dinge verwendet, die wir sehen können:

Methode A: Der „Benchmark" (Das bekannte Lineal)
- Stellen Sie sich vor, Sie haben eine bekannte Variable, wie „Einkommen". Sie wissen, wie stark das Einkommen das Ergebnis beeinflusst.
- Sie fragen: „Ist unser versteckter Marionettenspieler stärker als das Einkommen? Ist er doppelt so stark?"
- Die Innovation: Die Autoren schlagen vor, den Rang des Einkommens zu verwenden (z. B. „Ist diese Person in den Top 10 %?") anstatt des rohen Dollarbetrags. Dies ist wie das Messen der Körpergröße in „Zoll" versus „Zentimeter". Die Verwendung des Rangs macht den Test fair und stabil, unabhängig davon, ob Sie Geld in Dollar oder Euro messen. Es verhindert, dass sich die Ergebnisse nur ändern, weil Sie die Einheiten geändert haben.
Methode B: Das „Restbudget" (Die übrig gebliebene Energie)
- Stellen Sie sich vor, Sie haben einen Eimer mit „unerklärter Energie" (Variation im Ergebnis, die Ihr Modell nicht erklären konnte).
- Sie fragen: „Wie viel von dieser übrig gebliebenen Energie könnte der versteckte Marionettenspieler stehlen?"
- Sie setzen eine Grenze: „Der Marionettenspieler kann nicht mehr als 20 % der übrig gebliebenen Energie stehlen." Dies gibt Ihnen eine konkrete, datengestützte Grenze dafür, wie viel Fehler möglich ist.

5. Das Ergebnis: Ein klareres Bild

Durch die Kombination des Brücken-Scores (der Ausweis-Karte), der Scharfen Grenze (des straffen Sicherheitsnetzes) und der Kalibrierung (des Lineal-Tests) bieten die Autoren eine Möglichkeit zu sagen:

„Selbst wenn es einen versteckten Marionettenspieler gibt, und selbst wenn er so stark ist wie [Einkommen] oder [20 % der übrig gebliebenen Energie], ist unsere Schlussfolgerung über den Behandlungseffekt wahrscheinlich immer noch gültig. Hier ist der genaue Bereich, um wie viel er sich ändern könnte."

Zusammenfassung

Dieser Artikel sagt nicht nur „Seien Sie vorsichtig mit versteckten Faktoren". Er baut ein Präzisionsinstrument, um genau zu messen, wie stark diese versteckten Faktoren Ihre Studie beeinträchtigen könnten.

Er verwendet einen Brücken-Score, um komplexe Daten zu vereinfachen.
Er erstellt eine Scharfe Grenze, um die exakten Fehlergrenzen zu definieren.
Er verwendet Kalibrierung, damit Forscher reale Daten (wie Einkommen oder übrig gebliebene Variation) nutzen können, um realistische Grenzen für ihre Annahmen festzulegen.

Dies ermöglicht Wissenschaftlern, viel selbstbewusster in ihren Schlussfolgerungen darüber zu sein, wie und warum Behandlungen wirken, selbst wenn sie nicht jeden einzelnen versteckten Faktor in der Welt messen können.

Technisches Fazit: Sensitivitätsanalyse für kausale Mediation mittels Bridge Score, scharfer Schranken und Kalibrierung

1. Problemstellung

Die kausale Mediationsanalyse zerlegt Gesamteffekte einer Behandlung in natürliche direkte Effekte (NDE) und natürliche indirekte Effekte (NIE). Die Identifikation dieser Effekte stützt sich typischerweise auf die Annahme der sequenziellen Ignorierbarkeit, welche verlangt, dass der Mediator gegeben Behandlung und Baseline-Kovariaten ignorierbar ist. Diese Annahme ist nicht testbar; jeder nicht gemessene Faktor, der sowohl den Mediator als auch das Ergebnis gemeinsam antreibt, verletzt sie.

Obwohl Sensitivitätsanalysen für die Ignorierbarkeit des Mediators existieren, identifizieren die Autoren drei spezifische statistische Herausforderungen in der Literatur bezüglich der nichtparametrischen Sensitivitätsanalyse auf der additiven Skala (Mitteldifferenz), welche die in der wissenschaftlichen Forschung am häufigsten verwendete Skala ist:

Interpretierbarkeit vs. Lokalisierung: Bestehende skalare Parameter (z. B. Residualkorrelationen) kollabieren Verletzungen, die sich über Behandlungsarme und Kovariatenprofile hinweg unterscheiden. Umgekehrt sind vollständig lokalisierte Sensitivitätsfunktionen in hochdimensionalen Kovariatenumgebungen schwer zu ermitteln und zu kalibrieren. Es fehlt eine allgemeine niedrigdimensionale Reduktion, die Mediatorinformationen bewahrt, ohne eine vollständige Spezifikation der Kovariaten zu erfordern.
Fehlende scharfe additive Schranken: Scharfe nichtparametrische Schranken existieren für die Risikoverhältnisskala (geeignet für binäre Ergebnisse), jedoch steht kein analoger scharfer additiver (Mitteldifferenz-)Hüllkurvenwert zur Verfügung. Bestehende additive Ansätze beruhen auf restriktiven parametrischen Verzerrungsformeln oder uninformative Manski-artige Schranken.
Fragile Kalibrierung: Die operative Kalibrierung für kontinuierliche Referenzwerte hängt oft von willkürlichen Einheiten oder Unterstützungsbreiten ab. Darüber hinaus kollabieren skalenkohärente Zusammenfassungen (wie E-Werte) die zweiparametrige Struktur der Schranke zu einem einzigen Skalar und verlieren dabei die Interpretierbarkeit.

2. Methodik

Der Bridge Score
Die Autoren führen den Bridge Score ein, einen zweidimensionalen Vektor, definiert an einem gemeinsamen Mediatorwert $m$ und einer Kovariate $x$ :
$B(m, x) = (f_0(m | x), f_1(m | x))$
wobei $f_a(m|x)$ die Dichte des Mediators unter Behandlungsarm $a$ ist.

Ausgleichseigenschaft: Bedingt auf den Bridge Score $B(m)$ sind die beobachteten Kovariaten $X$ bezüglich des Mediatorereignisses $M=m$ ausgeglichen. Dies ermöglicht es dem Bridge Score, als Ausgleichsscore für die Mediatorstufe zu dienen, analog zum Propensity Score für die Behandlungszuweisung.
Dimensionsreduktion: Der Bridge Score reduziert das Sensitivitätsobjekt von einer Funktion des vollständigen Kovariatenvektors $X$ auf eine Funktion des niedrigdimensionalen Scores $B(m)$ , während die armspezifischen Mediatorgesetze erhalten bleiben, die für die Identifikation über Welten hinweg notwendig sind.

Scharfe Sensitivitätsschranken
Die Autoren definieren die Bridge-Score-Sensitivitätsfunktion $\Delta_a(m, b)$ als die Restverzerrung, die durch die Bedingung auf den beobachteten Mediator innerhalb des Arms $a$ induziert wird, nachdem auf den Bridge Score bedingt wurde.
Unter der Annahme eines latenten skalaren Störfaktors ( $U$ ) leiten sie eine scharfe punktweise additive Hüllkurve für $\Delta_a(m, b)$ her:
$|\Delta_a(m, b)| \leq \Xi_a(m, b) = \eta_a(m, b) \frac{\gamma_a(m, b) - 1}{\gamma_a(m, b)}$
wobei:

$\gamma_a(m, b)$ das Restselektionsverhältnis ist, welches die Neigung in der Verteilung des latenten Störfaktors misst, die durch die Bedingung auf $M=m$ induziert wird.
$\eta_a(m, b)$ der Ergebnisbereichsparameter ist, welcher die Streuung des Ergebnismittels misst, bedingt auf den latenten Störfaktor innerhalb der Bridge-Score-Schicht.

Die Autoren beweisen, dass diese Parameter auf der Bridge-Score-Ebene nicht größer (enger) sind als ihre Gegenstücke auf der Ebene der vollständigen Kovariaten, sofern bestimmte Entkopplungsbedingungen gelten.

Kalibrierungsansätze
Um die Schranken operationalisierbar zu machen, werden zwei Kalibrierungsstrategien vorgeschlagen:

Referenzkalibrierung (Benchmark Calibration): Der latente Störfaktor wird gegen eine beobachtete Kovariate $W$ kalibriert. Die Autoren führen eine rangbasierte Version dieser Kalibrierung ein. Durch Transformation von $W$ in seinen fraktionalen Rang wird die resultierende Hüllkurve invariant gegenüber monotonen Neuformulierungen des Referenzwerts und robust gegenüber Verteilungen mit schweren Enden, während die zweiparametrige Struktur ( $\eta, \gamma$ ) erhalten bleibt.
Restbudget-Kalibrierung (Residual Budget Calibration): Dieser Ansatz skaliert den Ergebnisbereichsparameter $\eta_a$ basierend auf der Restvariation des Ergebnisses nach Anpassung für den Mediator und den Bridge Score. Ein vom Benutzer spezifizierter Parameter $k_a \in [0,1]$ steuert den Anteil der Restvarianz, der der latenten Verzerrung zugeschrieben wird, während ein Gitterwert $g_a$ das Selektionsverhältnis steuert.

Inferenzalgorithmus
Das Framework wird über einen Bayesschen g-Komputationsalgorithmus operationalisiert. Dieser Ansatz:

Propagiert Unsicherheit aus dem Modell für die beobachteten Daten (Mediatordichten und Ergebnisregressionen).
Integriert Unsicherheit aus den Kalibrierungsgrößen (Referenzwert oder Restbudget).
Nutzt eine skalare funktionale Reduktion, um die unendlichdimensionale Sensitivitätsfunktion in armspezifische Skalare ( $\bar{\Delta}_0, \bar{\Delta}_1$ ) zu kollabieren, was endlichdimensionale Prioris für die Sensitivitätskorrekturen ermöglicht.
Generiert Posterior-Ziehungen für NDE und NIE, die alle Quellen der Unsicherheit vollständig berücksichtigen.

3. Hauptbeiträge

Bridge-Score-Konzept: Ein neuartiger niedrigdimensionaler Vektor, der Kovariaten bezüglich des Mediators ausgleicht und als Lokalisierungsskala für Sensitivitätsfunktionen dient, wodurch die Notwendigkeit einer vollständigen Kovariatenspezifikation vermieden wird.
Scharfe additive Schranke: Die Herleitung einer scharfen, nichtparametrischen additiven Hüllkurve für die Verzerrung zwischen Mediator und Ergebnis, parametrisiert durch interpretierbare Restselektions- und Ergebnisbereichsparameter. Dies schließt die Lücke, die durch Risikoverhältnis-Schranken gelassen wurde, welche für kontinuierliche Ergebnisse weniger natürlich sind.
Skalenkohärente Kalibrierung: Die Einführung einer rangbasierten Referenzkalibrierung, die invariant gegenüber monotonen Transformationen ist und die zweiparametrige Struktur der Schranke bewahrt, ergänzt durch einen Restbudget-Ansatz.
Operative Inferenz: Eine Implementierung der Bayesschen g-Komputation, die die Sensitivitätsanalyse direkt in die Schätzung natürlicher Effekte integriert und Unsicherheit von Störparametern und Sensitivitätskorrekturen propagiert.

4. Ergebnisse und Illustration

Das Papier illustriert das Framework unter Verwendung des Immigrations-Rahmungsexperiments von Brader et al. (2008).

Aufbau: Behandlung ( $A$ ) ist eine negative Tonlage/Latino-Rahmung; Mediator ( $M$ ) ist negative emotionale Reaktion; Ergebnis ( $Y$ ) ist die wahrgenommene Schädlichkeit durch Immigration.
Ergebnisse:
- Die rangbasierte Referenzkalibrierung erzeugte engere Hüllkurven als die Version auf der Rohskala und demonstrierte die Stabilität der Rangtransformation gegenüber der empirischen Unterstützungsbreite.
- Die Restbudget-Kalibrierung zeigte, dass sich die Hüllkurve monoton mit zunehmender Selektionsstärke ( $g$ ) und Ergebnisbereichsbudget ( $k$ ) verbreitert.
- Die Analyse demonstrierte, dass Robustheitsfolgerungen durch interpretierbare Verstärkungsfaktoren getrieben werden (z. B. „latenter Störfaktor ist 1,5-mal stärker als Einkommen") und nicht durch undurchsichtige Modellparameter.
- Die Bayessche g-Komputation propagierte Unsicherheit erfolgreich von der Schätzung des Bridge Scores und der Kalibrierung in die Posterior-Verteilungen von NDE und NIE.

5. Bedeutung und Behauptungen

Die Autoren positionieren diese Arbeit als ergänzendes Werkzeug und nicht als Ersatz für bestehende Methoden wie die parametrische $\rho$ -basierte Analyse (Imai et al., 2010) oder Risikoverhältnis-Schranken (Ding und VanderWeele, 2016).

Die Bedeutung des Frameworks liegt in seiner Fähigkeit:

Eine nichtparametrische Sensitivitätsanalyse auf der additiven Skala durchzuführen, ohne funktionale Formbeschränkungen für das Ergebnis oder den Mediator aufzuerlegen.
Interpretierbare Sensitivitätsparameter anzubieten, die auf den Bridge Score lokalisiert sind und engere Schranken als vollständige Kovariatenspezifikationen ermöglichen.
Skalenkohärente Kalibrierung zu ermöglichen, die die Fallstricke der Einheitsabhängigkeit und des skalaren Kollapses vermeidet, die bei anderen Methoden auftreten.
Eine Propagation der Unsicherheit in einem einheitlichen Bayesschen Rahmen zu erleichtern und über Punktschätzungen hinaus zu einer vollen Posterior-Inferenz unter Sensitivitätsannahmen zu gelangen.

Das Papier schließt, dass das Bridge-Score-Framework eine prinzipielle, niedrigdimensionale Reduktion für die Sensitivitätsanalyse bietet, die besonders praktikabel ist, wenn Baseline-Kovariaten moderat hochdimensional sind, während die für die Schätzung natürlicher Effekte über Welten hinweg erforderliche strukturelle Asymmetrie gewahrt bleibt.