📊 statistics

Generated outcomes as generated regressors: Equivalences in recursive causal estimation

Diese Arbeit zeigt, dass rekursive Plug-in-, Balancing-Weight- und Doubly-Robust-Schätzer für zeitvariante Behandlungseffekte numerisch äquivalent sind, wenn sie mittels gewöhnlicher kleinster Quadrate gefittet werden, und charakterisiert das Verhalten dieser Schätzer unter Ridge-Regularisierung, wobei gezeigt wird, dass die Bias-Korrektur in Richtung OLS mit der Anzahl der Zeitperioden geometrisch abnimmt.

Ursprüngliche Autoren: Wisse Rutgers, Rahul Singh

Veröffentlicht 2026-06-30

📖 6 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Wisse Rutgers, Rahul Singh

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 Ganze: Das „Pass-die-挟Parcel“-Problem

Stellen Sie sich vor, Sie versuchen herauszufinden, was die wahre Ursache für etwas Komplexem ist, wie zum Beispiel, wie eine bestimmte Medizin über zwei Jahre hinweg die Gesundheit beeinflusst, oder wie ein Trainingsprogramm den Karriereweg einer Person verändert.

In der Statistik können wir oft nicht einfach das Endergebnis betrachten und sagen: „Das hat das verursacht.“ Wir müssen eine Kette von Vorhersagen aufbauen.

Zuerst sagen wir voraus, was im Jahr 1 passiert.
Dann nehmen wir diese Vorhersage und nutzen sie, um vorherzusagen, was im Jahr 2 passiert.
Schließlich nutzen wir diese zweite Vorhersage, um den Gesamteffekt zu schätzen.

Dies wird als rekursive Schätzung bezeichnet. Es ist wie ein Spiel des „Pass-die-挟Parcel“ (oder ein Staffellauf). Der Stab (die Vorhersage) wird von einem Läufer (dem statistischen Modell) zum nächsten weitergereicht. Wenn der erste Läufer den Stab fallen lässt, läuft der zweite Läufer mit dem falschen Objekt, und das Endergebnis wird falsch sein.

Die drei Wettbewerber

Statistiker haben drei Hauptwege, um diesen Staffellauf zu bewältigen. Die Autoren dieser Arbeit vergleichen sie:

Der Vorhersager (Plug-in-Schätzer): Diese Methode konzentriert sich darauf, das Ergebnis bei jedem Schritt vorherzusagen. Sie sagt: „Lass mich raten, was in Jahr 1 passiert, und dann nutze ich diese Vermutung, um Jahr 2 vorherzusagen.“
Der Ausgleicher (Balancing Weight Estimator): Diese Methode konzentriert sich auf die Menschen (die Daten). Sie sagt: „Lass mich das Gewicht jedes Menschen in meiner Studie so anpassen, dass die Gruppe ausgewogen und fair aussieht, und berechne dann den Durchschnitt.“
Das Hybrid (Doubly Robust Estimator): Diese Methode versucht, beides zu tun. Sie nutzt sowohl die Vorhersagen als auch die Gewichtungen zum Ausgleich. Die Idee ist: Wenn ein Teil leicht falsch liegt, könnte der andere Teil den Tag retten. Dies gilt im Allgemeinen als die „sicherste“ oder robusteste Methode.

Die Überraschung: Sie sind eigentlich dieselben (meistens)

In einfachen, einmaligen Studien (Querschnittsstudien) wussten Statistiker bereits, dass der Vorhersager, der Ausgleicher und das Hybrid-Modell bei Verwendung einfacher Mathematik (Ordinary Least Squares, oder OLS) exakt dasselbe Ergebnis liefern.

Die große Frage, die diese Arbeit stellt, lautet: Geschieht dies auch bei einem mehrstufigen Staffellauf (Längsschnittdaten)?

Die Antwort: Ja.
Wenn Sie bei jedem Schritt des Staffellaufs einfache, ungestrafte Mathematik (OLS) verwenden, sind alle drei Methoden numerisch identisch. Es spielt keine Rolle, ob Ihre Modelle perfekt oder unvollkommen sind; die Mathematik sorgt dafür, dass die „Hybrid“-Methode keinen zusätzlichen Nutzen bringt – sie kommt lediglich am selben Ziel an wie die anderen beiden Methoden.

Die Wendung: Was passiert, wenn wir „Sicherheitsnetze“ hinzufügen?

In der Realität sind Daten chaotisch. Um zu verhindern, dass die Modelle zu extrem werden (Overfitting), fügen Statistiker „Regularisierung“ oder „Strafen“ hinzu. Das ist vergleichbar mit dem Hinzufügen von Stützrädern oder einem Sicherheitsnetz, um die Vorhersagen stabil zu halten.

Die Arbeit untersucht, was passiert, wenn wir solche Sicherheitsnetze (speziell etwas namens Ridge-Regression) hinzufügen.

1. Der „Shrinkage“-Mythos (Schrumpfungs-Mythos)

In einfachen, einstufigen Studien gibt es einen weit verbreiteten Glauben: Das Hinzufügen des Hybrid-Sicherheitsnetzes ist wie ein „Undersmoothing“ oder ein Zurückziehen der Antwort in Richtung der einfachen OLS-Antwort. Es ist so, als würde man sagen: „Die Hybrid-Methode ist nur eine intelligentere Version der Basismethode.“

Das Ergebnis der Arbeit: Diese Intuition bricht zusammen, wenn wir mehrstufige Studien haben.
Wenn wir mehr Schritte zum Staffellauf hinzufügen (mehr Zeitperioden), hört die Hybrid-Methode auf, wie die einfache OLS-Methode auszusehen. Der „Zug“ zur Basismethode wird immer schwächer. Tatsächlich nimmt er geometrisch ab. Wenn Sie einen langen Zeitrahmen haben (viele Jahre), verhält sich die Hybrid-Methode sehr anders als die einfache Vorhersage-Methode.

2. Der „Anker“-Effeffekt

Wenn Sie Sicherheitsnetze (Ridge-Strafen) verwenden, kann die Hybrid-Methode als eine Mischung aus zwei Dingen betrachtet werden:

Den „chaotischen“ vorhergesagten Werten.
Den „sauberen“ einfachen OLS-Werten.

Die Arbeit zeigt, dass das Gewicht, das den „sauberen“ OLS-Werten zugewiesen wird, mit zunehmender Anzahl der Zeitschritte schnell schrumpft. Wenn Sie 1 Jahr haben, ist die Hybrid-Methode stark am einfachen OLS verankert. Wenn Sie 10 Jahre haben, hält dieser Anker kaum noch stand.

Kreative Analogie: Die Echokammer

Stellen Sie sich vor, Sie rufen eine Nachricht durch einen langen Flur mit Spiegeln an den Wänden (die rekursiven Schritte).

Der Vorhersager ist das direkte Rufen Ihrer Nachricht.
Der Ausgleicher ist das Anpassen der Lautstärke Ihrer Stimme, damit das Echo klar klingt.
Das Hybrid ist das gleichzeitige Rufen und Anpassen der Lautstärke.

Ergebnis 1 (Ohne Sicherheitsnetze): Wenn der Flur perfekt leise ist und die Spiegel perfekt sind, führen das direkte Rufen und das Anpassen der Lautstärke am Ende zum exakt gleichen Echo. Sie sind äquivalent.

Ergebnis 2 (Mit Sicherheitsnetzen): Stellen Sie sich nun vor, der Flur ist mit Schallschutz-Schaumstoff (Regularisierung/Strafen) an den Wänden ausgekleidet, um das Echo zu dämpfen.

In einem kurzen Flur (1 Schritt) ist die Hybrid-Methode sehr ähnlich wie das bloße Rufen.
In einem sehr langen Flur (viele Schritte) absorbiert der Schaumstoff so viel vom „basierten“ Ruf, dass die Hybrid-Methode am Ende völlig anders klingt. Die „Sicherheit“ der Hybrid-Methode dient nicht nur dazu, den Ruf zu „reinigen“; sie verändert die Natur des Echos grundlegend, je länger der Flur wird.

Warum ist das wichtig?

Einfachheit: Wenn Sie eine mehrstufige Analyse durchführen und einfache Mathematik (OLS) verwenden, müssen Sie sich keine Gedanken darüber machen, ob Sie zwischen der Vorhersage-, der Ausgleichs- oder der Hybrid-Methode wählen. Sie sind identisch. Sie können die Methode wählen, die am einfachsten zu berechnen ist.
Vorsicht bei Komplexität: Wenn Sie fortgeschrittene Techniken des maschinellen Lernens (die Strafen/Regularisierung verwenden) für Langzeitstudien einsetzen, können Sie nicht davon ausgehen, dass die „Doubly Robust“-Methode nur eine etwas bessere Version der Basismethode ist. Sie verhält sich anders, und die „Sicherheit“, die sie bietet, funktioniert auf eine komplexere Weise, als Statistiker bisher angenommen hatten.

Zusammenfassung in einem Satz

In mehrstufigen kausalen Studien sind die drei Hauptschätzmethoden mathematisch identisch, wenn man einfache Statistik verwendet; doch wenn man fortgeschrittene „Sicherheitsnetz“-Statistik nutzt, verhält sich die robusteste Methode zunehmend eigenständig und unterscheidet sich immer stärker von der Basismethode, je mehr Zeitschritte vergehen.

Technische Zusammenfassung: „Generated Outcomes as Generated Regressors: Equivalences in Recursive Causal Estimation“

Autoren: Wisse Rutgers und Rahul Singh
Datum: Juni 2026

1. Problemstellung

Die empirische Forschung zu zeitvarianten Behandlungseffekten, durch Surrogat-Variablen identifizierten Behandlungseffekten und Mediationsanalysen stützt sich häufig auf rekursive Regressionen. In diesen Settings wird der Zielparameter (z. B. ein kontrafaktischer Mittelwert) durch eine Rückwärts-Rekursion bedingter Erwartungswerte identifiziert, wobei der vorhergesagte Wert einer Stufe als „generiertes Outcome“ für die nächste Stufe dient. Umgekehrt können diese Parameter über eine Vorwärts-Rekursion von inversen Wahrscheinlichkeitsgewichtungen (Balancing Weights) identifiziert werden, wobei die Gewichte einer Stufe als „generierte Regressoren“ für die nächste dienen.

Obwohl die numerische Äquivalenz zwischen Regressions-, Balancing-Weight- und doppelt robusten Schätzern in der querschnittlichen kausalen Inferenz (Ein-Perioden-Settings) gut etabliert ist, bleibt unklar, ob sich diese Äquivalenz auf longitudinale (rekursive) Settings ausweitet. Zudem legt die jüngere Querschnitts-Literatur nahe, dass das Debiasing mittels Balancing Weights algebraisch äquivalent zu „Undersmoothing“ (der Schrumpfung eines regularisierten Schätzers in Richtung der gewöhnlichen kleinsten Quadrate, OLS) ist. Die vorliegende Arbeit untersucht, ob diese „Shrinkage“-Intuition gilt, wenn die Anzahl der Zeitperioden ( $T$ ) steigt.

2. Methodik und Framework

Die Autoren formalisieren eine Klasse von rekursiven Funktionalen, die durch $T \ge 1$ Stufen definiert sind. Das Framework umfasst Standard-Kausalsmodelle:

Zeitvariante Behandlungseffekte: $g$ -Computation mit dynamischen Behandlungen.
Surrogat-Analyse: Zwei-Stichproben-Settings, in denen ein Surrogat-Index die Verbindung zwischen Behandlung und Langzeit-Outcomes herstellt.
Mediationsanalyse: Kontrafaktische Cross-World-Szenarien unter Einbeziehung von Mediatoren.

Die Untersuchung operiert innerhalb eines linearen Schätzungsframeworks, in dem die Störfunktionen (Outcome-Regressionen $f_t$ und Riesz-Representer $\alpha_t$ ) linear in einem Wörterbuch von Basisfunktionen sind. Die Autoren vergleichen drei Schätzer:

Rekursiver Plug-in-Schätzer ( $\hat{\theta}_P$ ): Rückwärts-Rekursion regularisierter Outcome-Regressionen.
Rekursiver Balancing-Weight-Schätzer ( $\hat{\theta}_Q$ ): Vorwärts-Rekursion regularisierter Riesz-Regressionen (Balancing Weights).
Rekursiver doppelt robuster Schätzer ( $\hat{\theta}_{DR}$ ): Eine Kombination aus den Plug-in- und den Balancing-Weight-Schätzern unter Verwendung orthogonaler Momente.

Die Analyse deckt drei Regularisierungsregime ab:

Keine Regularisierung (OLS): Unpenalisierte kleinste Quadrate.
Ridge-Regularisierung: Quadratische Strafen auf die Koeffizienten.
Allgemeine konvexe Regularisierung: Beliebige konvexe Strafen (z. B. Lasso, Elastic Net).

3. Zentrale Beiträge und Ergebnisse

A. Äquivalenz der Schätzer unter OLS
Die Arbeit stellt ein primäres positives Ergebnis fest: Die Schätzung durch die Rekursion generierter Outcomes ist numerisch äquivalent zur Schätzung durch die Rekursion generierter Balancing Regressoren.

Theorem 1: Wenn alle Stufen mittels OLS gefittet werden (keine Regularisierung), fallen der rekursive Plug-in-, der rekursive Balancing-Weight- und der rekursive doppelt robuste Schätzer in jedem endlichen Sample exakt zusammen, unabhängig davon, ob die linearen Modelle korrekt spezifiziert sind.
Mechanismus: Im OLS-Fall verschwindet jeder Korrekturterm des doppelt robusten Schätzers einzeln. Zudem entspricht jedes zwischen den Stufen liegende innere Produkt dem Zielparameter. Dies impliziert, dass das Hinzufügen linearer Balancing Weights zu einem OLS-Outcome-Modell (oder umgekehrt) den Schätzer nicht verändert.

B. Ridge-Regularisierung und geometrische Abnahme des OLS-Gewichts
Die Arbeit liefert eine nuancierte, teilweise negative Antwort bezüglich der Verallgemeinerung der „Shrinkage“-Intuition.

Äquivalenz der Ridge-Formen: Wenn in jeder Stufe dieselbe Ridge-Strafe auf die Outcome- und die Riesz-Regression angewendet wird, entspricht der Balancing-Weight-Schätzer dem Plug-in-Schätzer (Lemma 2).
Dekomposition des doppelt robusten Schätzers: Wenn die Riesz-Representer Ridge-regularisiert, die Outcome-Regressionen jedoch allgemein (oder ebenfalls Ridge) sind, kann der doppelt robuste Schätzer als ein einzelner rekursiver Plug-in-Schätzer mit augmentierten Koeffizienten geschrieben werden.
Geometrische Abnahme (Theorem 2 & Korollar 1): Die augmentierten Koeffizienten sind eine rekursive Mischung aus den penalisierten Schätzern und den OLS-Schätzern. Entscheidend ist, dass das Gewicht, das dem reinen OLS-Plug-in-Schätzer zugewiesen wird, geometrisch mit der Anzahl der Zeitperioden $T$ abnimmt.
- Im Fall eines skalaren diagonalen Modells ist das OLS-Ankergewicht $\prod_{t=1}^T a_t$ , wobei $a_t \in (0,1)$ der Shrinkage-Faktor in der Stufe $t$ ist.
- Implikation: Mit steigendem $T$ nimmt der Einfluss des OLS-Ankers rapide ab. Daher wird die cross-sectionale Intuition, dass „Debiasing den Schätzer in Richtung OLS schrumpft“, in longitudinalen Settings zunehmend schwächer. Die Anzahl der Zeitperioden ist zentral für das Verständnis der Regularisierungseffekte.

C. Allgemeine konvexe Regularisierung
Für allgemeine konvexe Strafen (bei denen es keine geschlossenen Lösungen gibt), leiten die Autoren algebraische Identitäten ab:

Teleskopische Identität (Lemma $\text{3}$ & Theorem $\text{3}$ ): Der Balancing-Weight-Schätzer und der doppelt robuste Schätzer lassen sich als OLS-Schätzer plus einer Summe von Korrekturtermen dekomponieren.
Jeder Korrekturterm ist das innere Produkt des Riesz-Residuums (das Ungleichgewicht in dieser Stufe) und der Differenz zwischen den penalisierten Outcome-Koeffizienten und den OLS-Koeffizienten.
Dies bestätigt, dass die Schätzer zwar algebraisch verwandt bleiben, die „Shrinkage in Richtung OLS“ jedoch kein einfacher, uniformer Zug ist, sondern eine komplexe Akkumulation stufenweiser Korrekturen, die von der spezifischen Strafe und der rekursiven Struktur abhängt.

4. Bedeutung und Thesen

Die Autoren formulieren zwei Hauptthesen:

Erweiterung der Äquivalenz: Die fundamentale algebraische Äquivalenz zwischen regressionsbasierten und balancing-weight-basierten Schätzern, die zuvor für die querschnittliche Inferenz dokumentiert wurde, lässt sich auf die longitudinale kausale Inferenz unter Verwendung rekursiver Funktionaler ausweiten.
Limitierung der Shrinkage-Intuition: Die Interpretation von Debiasing als „Undersmoothing“ (Schrumpfung in Richtung OLS) lässt sich nicht ohne Weiteres verallgemeinern. In rekursiven Settings schwächt sich der Zug in Richtung OLS mit wachsender Anzahl der Zeitperioden geometrisch ab. Folglich sind Debiasing und Undersmoothing in multi-periodalen kausalen Settings nicht auf dieselbe Weise „zwei Seiten derselben Medaille“ wie in Single-Period-Settings.

Die Arbeit kommt zu dem Schluss, dass die algebraische Struktur der rekursiven kausalen Schätzung robust ist, die statistische Intuition, die aus cross-sectionalen Settings abgeleitet wurde (hinsichtlich Regularisierung und Bias-Korrektur), jedoch bei der Anwendung auf dynamische Multi-Stage-Probleme signifikant modifiziert werden muss.