📊 statistics

Structural Nested Mean Models Under Parallel Trends Assumptions

Dit artikel overbrugt tijdvariërende Difference-in-Differences en Structural Nested Mean Models door aan te tonen dat SNMM's identificeerbaar zijn onder voorwaarden van conditionele parallelle trends, waardoor onderzoekers een breder scala aan causale effecten kunnen schatten, inclusief tijdvariërende heterogeniteit en dynamische behandelingsstrategieën, terwijl het methoden biedt voor sensitiviteitsanalyse en optimale regime-estimatie.

Oorspronkelijke auteurs: Zach Shahn, Oliver Dukes, Meghana Shamsunder, David Richardson, Eric Tchetgen Tchetgen, James Robins

Gepubliceerd 2026-07-03

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Zach Shahn, Oliver Dukes, Meghana Shamsunder, David Richardson, Eric Tchetgen Tchetgen, James Robins

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een detective bent die probeert de ware oorzaak-gevolgrelatie te achterhalen tussen twee dingen: een behandeling (zoals een nieuw beleid, een overstroming of een temperatuurverandering) en een uitkomst (zoals verzekeringspremies, oogstopbrengsten of toetsresultaten).

Meestal heb je om dit mysterie op te lossen een "controlegroep" nodig (mensen die de behandeling niet kregen) die op elke manier precies hetzelfde is als de "behandelinggroep", behalve wat betreft de behandeling zelf. In de wereld van de statistiek wordt dit de "No Unobserved Confounding"-aanname genoemd. Het is also wordt gezegd: "De enige reden dat deze twee groepen verschillen, is omdat de een de medicijnen kreeg en de ander niet."

Echter, in de echte wereld zijn mensen en plaatsen rommelig. Er zijn verborgen factoren (confounders) die we niet kunnen meten, die zowel kunnen beïnvloeden wie de behandeling krijgt als wat er later gebeurt.

Dit artikel introduceert een nieuwe manier om dit mysterie op te lossen door twee bestaande detective-instrumenten te combineren: Difference-in-Differences (DiD) en Structural Nested Mean Models (SNMMs).

Hier is de uitsplitsing van wat ze hebben gedaan, met behulp van eenvoudige analogieën:

1. De Oude Instrumenten vs. Het Nieuwe Hybride Instrument

Het "Parallelle Trends" Instrument (DiD): Dit is de klassieke detective-methode. Het gaat ervan uit dat als de behandeling niet had plaatsgevonden, de behandelingsgroep en de controlegroep gedurende de tijd hetzelfde pad (trend) zouden hebben gevolgd. Denk aan twee hardlopers op een baan. Als zij zij aan zij met dezelfde snelheid rennen en plotseling krijgt één van hen een jetpack (de behandeling), dan kun je het effect van de jetpack meten door te zien hoe veel sneller hij wordt vergeleken met de andere hardloper.
- Het Probleel: Dit instrument is meestal beperkt. Het kan alleen het gemiddelde effect meten van het starten van een behandeling. Het heeft moeite als de waarde van de behandeling herhaaldelijk verandert (zoals een thermostaat die op en neer gaat) of als je wilt weten hoe het effect verandert op basis van specifieke details (zoals: "Werkt de jetpack beter voor zware hardlopers of lichte hardlopers?").
Het "SNMM" Instrument: Dit is een complexer, flexibeler instrument dat al die gedetailleerde vragen kan beantwoorden (heterogeniteit, aanhoudende effecten, enz.).
- Het Probleen: Historisch gezien vereiste dit instrument de strikte "No Unobserved Confounding"-aanname. Het moest er zeker van zijn dat er geen verborgen factoren waren die de boel verstoorden.

De Grote Doorbraak van het Papier:
De auteurs hebben aangetoond dat je het flexibele SNMM-instrument kunt gebruiken, zelfs als je alleen beschikt over de zwakkere "Parallel Trends"-aanname. Ze hebben bewezen dat als de "hardlopers" zonder de behandeling op hetzelfde pad zouden zijn gebleven, je de flexibele SNMM kunt gebruiken om veel diepere vragen te beantwoorden dan de standaard DiD-methode toelaat.

2. Wat Kun Je Met Dit Nieuwe Super-Instrument Doen?

Omdat deze nieuwe methode zo flexibel is, beweert het artikel dat het onderzoekers in staat stelt om vragen te stellen die onder de "Parallel Trends"-aannames voorheen onmogelijk waren. Dit zijn de specifieke "detectivegevallen" die ze nu kunnen oplossen:

De "Wie Profiteert Het Meest?" Vraag (Heterogeniteit):
- Analogie: In plaats van alleen te vragen "Werkt de jetpack?", kun je vragen: "Werkte de jetpack beter voor hardlopers die al moe waren (hoge werkloosheid) versus hardlopers die nog fris waren?"
- Voorbeeld uit het papier: Ze analyseerden de uitbreiding van Medicaid en vonden dat dit de verzekeringspremies meer verlaagde in provincies met een hogere werkloosheid.
De "Eenmalige Schok" Vraag (Blip Effects):
- Analogie: Stel je voor dat een hardloper een enkele duw krijgt (een overstroming) en dan stopt. Heeft die enkele duw zijn snelheid voor altijd veranderd, of is hij weer terug naar normaal gegaan?
- Voorbeeld uit het papier: Ze bestudeerden hoe een enkele overstroming de deelname aan overstromingsverzekeringen beïnvloedde. Ze vonden een enorme piek in verzekeringen direct na de overstroming, die daarna wegstierf naarmate mensen het gevaar "vergat".
De "Houd Het Volhouden" Vraag (Sustained Interventions):
- Analogie: Wat als de hardloper de jetpack de hele race lang aanhoudt? Wat als de temperatuur constant blijft stijgen?
  ^ * Voorbeeld uit het papier: Ze keken naar "Growing Degree Days" (een maatstaf voor hitte). Ze berekenden wat er met de oogstopbrengsten gebeurt als de hitte jarenlang hoog blijft, in plaats van alleen naar een eenmalige verandering te kijken.
De "Wat Als We Andere Dingen Stoppen?" Vraag (Controlled Direct Effects):
- Analogie: Als de jetpack werkt, maar alleen omdat het ook per ongeluk de airconditioning aanzette, wat is dan het effect van de jetpack alleen?
- Voorbeeld uit het papier: Ze bestudeerden de uitbreiding van Medicaid, terwijl ze ervan uitgingen dat het minimumloon niet veranderde. Dit isoleert het effect van Medicaid van andere economische veranderingen.
De "Continue Schaal" Vraag:
- Analogie: De meeste DiD-instrumenten werken als een lichtschakelaar (Aan/Uit). Dit nieuwe instrument werkt als een dimmer. Het kan behandelingen aan kunnen die getallen zijn (zoals temperatuur of inkomen), waarbij iedereen op een ander niveau begint.
- Voorbeeld uit het papier: Oogstopbrengsten en temperatuur hebben geen "nul"-basislijn die iedereen deelt. Deze methode kan met die rommel omgaan.

3. De "Optimale Strategie" (Het Spelboek van de Coach)

Het artikel raakt ook aan een zeer geavanceerd idee: Het Vinden van het Beste Spelboek.
Als je ervan uitgaat dat de "Parallel Trends"-regel geldt voor elke mogelijke strategie die een coach kan oproepen, en dat verborgen factoren niet beïnvloeden hoe spelers op die strategieën reageren, dan kun je wiskundig een optimale dynamische behandelingsregime berekenen.

Analogie: In plaats van alleen te zeggen "Ren snel", kan het instrument een coach vertellen: "Als de speler moe is en het regent, schakel dan over naar verdediging. Als ze fris zijn en de zon schijnt, schakel dan over naar aanval."
Claim van het papier: Ze laten zien hoe ze deze "beste strategie" kunnen schatten met hun nieuwe methode, wat een grote stap is voor velden zoals Reinforcement Learning (AI die leert door te doen).

4. De "Wat Als We Er Naast Zitten?" Controle (Sensitivity Analysis)

De auteurs weten dat "Parallel Trends" een sterke aanname is. Wat als de "hardlopers" oorspronkelijk helemaal niet op hetzelfde pad liepen?

Ze bieden een Sensitivity Analysis-instrument aan. Dit is als een "stress-test". Je kunt de computer vertellen: "Oké, laten we aannemen dat de verborgen factoren de trends met deze hoeveelheid hebben verstoord." Het instrument berekent vervolgens de resultaten opnieuw om je een reeks mogelijkheden te tonen. Dit helpt onderzoekers om te zien hoe robuust hun conclusies zijn als hun aannames er iets naast zitten.

Samenvatting

Kortom, dit artikel neemt een flexibel, krachtig statistisch model (SNMM) en leert het hoe het moet werken met de "Parallel Trends"-aanname (die normaal gesproken voor eenvoudigere modellen is voorbehouden).

Het resultaat? Onderzoekers kunnen nu een enkele, robuuste methode gebruiken om complexe vragen te beantwoorden over:

Wie profiteert het meest?
Wat gebeurt er na een eenmalige gebeurtenis versus een langdurige verandering?
Hoe ga je om met behandelingen die continue getallen zijn (en niet alleen Ja/Nee).
Hoe vind je de best mogelijke strategie voor het behandelen van patiënten of populaties over een langere periode.

Ze hebben dit getest op echte gegevens met betrekking tot de uitbreiding van Medicaid, overstromingen en oogstopbrengsten, waarmee ze bewezen hebben dat het in de praktijk werkt.

Technische Samenvatting: Structurele Geneste Gemiddelde Modellen onder Parallelle Trends Veronderstellingen

1. Probleemstelling

Het artikel adresseert een gat in de methodologie voor causale inferentie voor het schatten van tijdvariërende behandelingseffecten op herhaalde continue uitkomsten. Twee dominante kaders bestaan, maar opereren geïsoleerd van elkaar:

Tijdvariërende Difference-in-Differences (DiD): Veelgebruikt in de economie en sociale wetenschappen, met name in settings met "staggered adoption" (gegradueerde adoptie). Standaard DiD-methoden vertrouwen doorgaans op de "parallelle trends"-veronderstelling, maar zijn vaak beperkt tot het schatten van marginale effecten van de start van een behandeling (bijv. Average Treatment Effects on the Treated, ATT) en hebben moeite met tijdvariërende effectheterogeniteit, continue behandelingen zonder een gedeelde baseline, of aanhoudende interventies waarbij de behandelingswaarden herhaaldelijk veranderen.
Structurele Geneste Gemiddelde Modellen (SNMMs): Een flexibel kader ontwikkeld door Robins en collega's voor het modelleren van tijdvariërende effectheterogeniteit en complexe dynamische behandelingsregimes. Historisch gezien zijn SNMMs alleen geïdentificeerd onder de sterke veronderstelling van "geen niet-geobserveerde confounding" (sequentiële uitwisselbaarheid), wat in observationele settings vaak moeilijk te rechtvaardigen is.

Het centrale probleem is dat SNMMs een rijker scala aan causale estimanden bieden (bijv. effecten van aanhoudende interventies, gecontroleerde directe effecten, dynamische regimes), maar een gebrek aan identificatie hebben onder de meer plausibele "parallelle trends"-veronderstellingen die doorgaans worden gebruikt om DiD-methoden te rechtvaardigen. Omgekeerd missen DiD-methoden de flexibiliteit om complexe inhoudelijke vragen te beantwoorden die door SNMMs worden gemodelleerd.

2. Methodologie

Kernkader

De auteurs verbinden deze twee benaderingen door aan te tonen dat SNMMs niet-parametrisch geïdentificeerd kunnen worden onder een Tijdvariërende Conditionele Parallelle Trends veronderstelling.

Notatie: Het artikel beschouwt een cohort dat wordt geobserveerd van tijd $0$ tot $K$ . Op elk tijdstip $m$ bevat de data covariaten $Z_m$ , behandeling $A_m$ en uitkomst $Y_m$ . $\bar{L}_m$ vertegenwoordigt een samenvatting van de geschiedenis van covariaten en uitkomsten tot en met tijd $m$ .
Causale Estimanden: Het artikel richt zich op blip-functies $\gamma^*_{mk}(\bar{l}_m, \bar{a}_m)$ $γ_{mk}^{*} (\overset{ˉ}{l}_{m}, \overset{a}{ˉ}_{m})$ , die het conditionele gemiddelde effect op tijd $k$ $k$ vertegenwoordigen van het ontvangen van behandeling $a_m$ $a_{m}$ op tijd $m$ $m$ en vervolgens een specifiek regime $g$ $g$ te volgen, vergeleken met het volgen van $g$ $g$ op tijd $m$ $m$ en daarna.
- Speciale gevallen zijn initiatieffecten (waarbij $g$ het "onbehandelde" regime $\bar{0}$ is), effecten van aanhoudende interventies (waarbij $g$ het regime "houd vorige behandeling aan" is), en gecontroleerde directe effecten (met behulp van multidimensionale behandelingen).
Identificatieveronderstelling: De auteurs stellen een Tijdvariërende Conditionele Parallelle Trends veronderstelling voor. Voor een doelregime $g$ $g$ stelt de veronderstelling dat, geconditioneerd op de geobserveerde geschiedenis $\bar{L}_m$ $\overset{ˉ}{L}_{m}$ en behandelingsgeschiedenis tot en met $m-1$ $m - 1$ , de verwachte contrafeitelijke uitkomsttrend vanaf $m$ $m$ verder niet afhangt van of de behandeling die op $m$ $m$ daadwerkelijk werd ontvangen ( $A_m$ $A_{m}$ ), onder $g$ $g$ zou zijn toegewezen.
- Formeel: $E[Y_k(\bar{a}_{m-1}, g_m) - Y_{k-1}(\bar{a}_{m-1}, g_m) | \bar{A}_m = \bar{a}_m, \bar{L}_m] = E[Y_k(\bar{a}_{m-1}, g_m) - Y_{k-1}(\bar{a}_{m-1}, g_m) | \bar{A}_m = (\bar{a}_{m-1}, g_m(\bar{L}_m, \bar{a}_{m-1})), \bar{L}_m]$ .
- Cruciaal is dat deze veronderstelling conditioneert op de geobserveerde behandelingsgeschiedenis tot en met $m-1$ en de geschiedenis van covariaten, waardoor het conditioneren op toekomstige behandelingswaarden (bijv. "nooit behandelde" groepen) wordt vermeden, wat vaak de standaard DiD-veronderstellingen problematisch maakt in aanwezigheid van tijdvariërende confounders.

Schattingsstrategie

Het artikel biedt meervoudig robuuste estimators voor de parameters van parametrische SNMMs:

G-Estimation: De auteurs construeren schattingsvergelijkingen gebaseerd op de eigenschap dat, onder de parallelle trends veronderstelling, een specifieke "blip-down" uitkomstfunctie $H_{mk}(\gamma)$ zich gedraagt als de contrafeitelijke uitkomst in die zin dat de conditionele trend onafhankelijk is van $A_m$ .
Doubly Robust (DR) Estimators: Het artikel stelt cross-fit DR-ML estimators voor. Deze estimators blijven consistent als ofwel het model voor het behandelingsassignatiemechanisme (propensity score), ofwel het model voor de uitkomsttrend (nuisance function) correct gespecificeerd is. Dit maakt het gebruik van flexibele machine learning algoritmen mogelijk om nuisance parameters te schatten.
Optimale Regimes: Onder de sterkere veronderstelling dat parallelle trends geldt voor alle regimes en dat niet-geobserveerde confounders effecten niet modificeren (effect modification), laten de auteurs zien hoe men optimale dynamische behandelingsregimes (A-learning) kan identificeren en schatten met behulp van SNMMs.

Gevoeligheidsanalyse

In het besef dat parallelle trends niet testbaar is, passen de auteurs methoden voor gevoeligheidsanalyse voor SNMMs aan. Ze introduceren een biasfunctie $c^g_{mk}$ om afwijkingen van de parallelle trends veronderstelling te kwantificeren. Door een bereik van plausibele biasfuncties te specificeren, kunnen analisten een bereik van plausibele effectschattingen produceren, wat een gevoeligheidsanalyse van effectheterogeniteit en afgeleide grootheden mogelijk maakt.

3. Belangrijkste Bijdragen

Identificatie van SNMMs onder Parallelle Trends: De primaire theoretische bijdrage is het bewijzen dat SNMMs, die voorheen alleen bekend waren onder "geen ongeobserveerde confounding", geïdentificeerd kunnen worden onder een aangepaste parallelle trends veronderstelling. Dit overbrugt de kloof tussen de DiD- en SNMM-literatuur.
Uitgebreide Estimanden: De resultaten stellen beoefenaars in staat om een breder scala aan causale vragen te schatten onder parallelle trends, waaronder:
- Tijdvariërende effectheterogeniteit (bijv. hoe de effecten van Medicaid-uitbreiding variëren met de werkloosheidscijfers).
- Blijvende effecten van een enkele "blip" van een behandeling (bijv. de blijvende impact van een enkele overstroming op toekomstige verzekeringsdeelname).
- Effecten van aanhoudende interventies waarbij de behandelingswaarden herhaaldelijk veranderen.
- Effecten van continu gewaardeerde behandelingen zonder een gedeelde baseline (bijv. temperatuurveranderingen op gewasopbrengsten).
- Gecontroleerde directe effecten (bijv. Medicaid-uitbreidingseffecten, rekening houdend met minimumloonwijzigingen).
- Optimale dynamische behandelingsregimes.
Methodologische Vooruitgang: Het artikel biedt praktische, meervoudig robuuste estimators (inclusief cross-fit DR-ML) en een kader voor gevoeligheidsanalyse dat rekening houdt met tijdvariërende covariaten en effectheterogeniteit.
Kritiek op Bestaande DiD-veronderstellingen: De auteurs betogen dat hun voorgestelde parallelle trends veronderstelling plausibeler is dan de standaard "nooit-behandelde" of "nog-niet-behandelde" veronderstellingen in aanwezigheid van tijdvariërende confounders. Standaard aannames conditioneren vaak op toekomstige behandelingswaarden, wat bias kan induceren als covariaten tijdvariërende confounders zijn.

4. Resultaten en Toepassingen

Het artikel valideert de methodologie via drie toepassingen met echte data:

Medicaid Expansie (Gegradeerde Adoptie): Het schatten van het effect van Medicaid-uitbreiding op de werkloosheidscijfers op county-niveau. Het SNMM stelde de auteurs in staat om te modelleren hoe het effect varieert met de werkloosheid en populatie op county-niveau, waarbij zij vonden dat de uitbreiding meer impact had in counties met hogere werkloosheid en een lagere populatie.
Overstromingen en Verzekeringen (Blip Effecten): Het analyseren van de blijvende impact van een enkele overstroming op de deelname aan overstromingsverzekeringen. Het model schatte een initiële piek in de deelname gevolgd door een steile daling, waarbij de piek groter was bij recentere overstromingen.
Temperatuur en Gewasopbrengsten (Aanhoudende/Continue Behandeling): Het heranalyseren van de relatie tussen "growing degree days" (GDD) en winsten in de landbouw. In tegen testelling met standaard DiD, dat moeite heeft met continue behandelingen zonder gedeelde baseline en herhaalde veranderingen, schatte het SNMM de effecten van aanhoudende veranderingen in GDD, waarbij werd vastgesteld dat de effecten groter waren wanneer de toename langer aanhield en in counties met een hogere pre-toename GDD.

5. Betekenis en Claims

Het artikel beweert dat het gebruik van SNMMs onder parallelle trends veronderstellingen een vruchtbare strategie is die de reikwijdte van causale inferentie in observationele studies vergroot.

Voor DiD-beoefenaars: Het biedt een manier om fundamentele vragen te adresseren (heterogeniteit, aanhoudende effecten, continue behandelingen) die momenteel buiten het bereik liggen van standaard DiD-methoden, met behoud van vergelijkbare identificerende aannames.
Voor SNMM-beoefenaars: Het stelt analisten in staat om causale effecten te schatten onder alternatieve identificerende condities (parallelle trends versus geen ongeobserveerde confounding), wat faciliteert in de triangulatie van bewijs.
Theoretische Bijdrage: Het artikel plaatst zichzelf binnen de reinforcement learning literatuur door te laten zien hoe optimale dynamische regimes geïdentificeerd kunnen worden onder parallelle trends (met de aanvullende veronderstelling van geen effect modificatie door ongeobserveerde confounders).

De auteurs zijn bescheiden over de veronderstellingen die vereist zijn voor de identificatie van optimale regimes (zij merken op dat de "geen effect modificatie" aanname sterk is) en erkennen dat de parallelle trends veronderstelling ontestbaar blijft, wat de voorgestelde gevoeligheidsanalyse noodzakelijk maakt. Het artikel concludeert dat hoewel de voorwaarden voor parallelle trends in aanwezigheid van tijdvariërende confounders strikt zijn, het voorgestelde kader een rigoureus en flexibel instrument biedt voor causale inferentie in complexe, tijdvariërende settings.