📊 statistics

GEEPERs: Principal Stratification using Principal Scores and Stacked Estimating Equations

Dit artikel introduceert GEEPERs, een robuuste en toegankelijke methode voor het schatten van effecten van principale stratificatie in scenario's met niet-compliance in één richting, die gebruikmaakt van principale scores en gestapelde schattingsvergelijkingen om sterke distributie-aannames te vermijden, terwijl het toch implementeerbaar blijft via conventionele regressietechnieken.

Oorspronkelijke auteurs: Adam C. Sales, Kirk P. Vanacore, Erin R. Ottmar

Gepubliceerd 2026-05-05

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Adam C. Sales, Kirk P. Vanacore, Erin R. Ottmar

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 leraar bent die probeert uit te vinden of een nieuw, geavanceerd online wiskundeprogramma studenten echt sneller helpt leren. Je voert een eerlijk experiment uit: je gooit een munt om te beslissen wie het nieuwe programma krijgt (de Behandeling) en wie de oude methode blijft gebruiken (de Controle).

Maar hier zit de adder onder het gras: alleen omdat een student het nieuwe programma toegewezen krijgt, betekent niet dat ze het daadwerkelijk gebruiken. Sommigen negeren het, anderen raken vastzitten en stoppen ermee, en weer anderen gebruiken het precies zoals bedoeld.

Het Probleem: De "Verborgen Groepen"

In de statistiek vergelijken we meestal het gemiddelde resultaat van de hele Behandelgroep met dat van de hele Controlegroep. Maar dat negeert de nuances. Je wilt misschien echt weten: "Hoeveel heeft het platform de studenten geholpen die de hints daadwerkelijk gebruikten?"

Het probleem is dat we de "verborgen groepen" niet kunnen zien.

We kunnen de studenten in de Behandelgroep zien die de hints gebruikten.
Maar we kunnen de studenten in de Controlegroep niet zien die de hints zouden hebben gebruikt als ze de optie hadden gekregen. Voor ons zijn ze onzichtbaar.

Dit is als proberen te beoordelen hoe goed een nieuw paar hardloopschoenen werkt voor "snelle lopers" door alleen te kijken naar de mensen die ze kochten. Je weet niet wie in de "geen-schoenen"-groep snelle lopers zouden zijn geweest als ze de schoenen hadden gehad.

De Oude Manier: De "Kristallen Bol"-Aanpak

Lange tijd probeerden statistici dit op te lossen met complexe modellen (genaamd Parametrische Mengmodellen). Denk aan deze modellen als het proberen te bouwen van een kristallen bol. Je moet de exacte vorm van de data raden (bijvoorbeeld: "de fouten moeten eruitzien als een perfecte klokkromme") en vervolgens zware wiskunde gebruiken om de verborgen groepen te raden.

Het artikel betoogt dat dit als het bakken van een soufflé zonder recept is: als je gok over de vorm van de data zelfs een beetje verkeerd is, stort het hele ding in en zijn je resultaten misleidend. Bovendien is een doctoraat in wiskunde nodig om het zelfs maar te proberen.

Een andere methode (Principal Score Weighting) probeert de verborgen groepen te raden door te kijken naar studentkenmerken (zoals eerdere cijfers). Maar dit rust op een zeer strenge aanname: dat zodra je de eerdere cijfers van een student kent, hun toekomstige prestaties volledig willekeurig zijn. Het artikel stelt dat dit een gevaarlijke aanname is om te maken.

De Nieuwe Oplossing: "GEEPERS"

De auteurs introduceren een nieuwe methode genaamd GEEPERS (General Estimating Equations for Principal Effects using Regressions).

Denk aan GEEPERS niet als een kristallen bol, maar als een slimme detective die een drie-stappenproces gebruikt:

De Voorspellingstap: Eerst kijkt de detective naar de studenten die de behandeling kregen en de hints gebruikten. Hij vraagt zich af: "Wat voor soort studenten zijn dit?" Hij bouwt een simpel profiel (een "score") om te voorspellen wie waarschijnlijk de hints zal gebruiken.
De Gooistap: Vervolgens kijkt de detective naar de Controlegroep (die de hints niet kreeg). Met behulp van het profiel uit Stap 1 zegt hij: "Oké, op basis van hun eerdere cijfers heeft Student A een 80% kans om een 'hint-gebruiker' te zijn als ze de optie hadden, en Student B heeft een 20% kans." Hij zegt niet dat ze wel hint-gebruikers zijn; hij wijst ze gewoon een waarschijnlijkheid toe.
De Berekeningstap: Tot slot voert hij een standaard, eenvoudige wiskundetoets uit (genaamd Ordinary Least Squares-regressie) die iedereen kent. Hij gebruikt die waarschijnlijkheden om het effect van de hints te berekenen op de "waarschijnlijke hint-gebruikers" versus de "waarschijnlijke niet-gebruikers".

Waarom is GEEPERS Beter?

Het artikel beweert dat GEEPERS de "Goudlokje" van de statistiek is:

Het is Toegankelijk: Je hebt geen kristallen bol of een doctoraat nodig. Je hoeft alleen maar te weten hoe je een standaard regressie uitvoert (een tool die bijna elke sociaalwetenschapper al heeft).
Het is Robuust: In tegenstelling tot de oude "kristallen bol"-methoden maakt GEEPERS niet uit of de data perfect de vorm van een klokkromme heeft. Het is flexibel. Als de data rommelig is, breekt GEEPERS niet.
Het is Eerlijk: Het artikel toont via simulaties aan dat wanneer de oude methoden een verkeerde gok doen over de vorm van de data, ze je verkeerde antwoorden geven. GEEPERS blijft stabiel.

De Realiteitstest

De auteurs testten dit op echte data van ASSISTments, een online wiskundehuiswerkplatform. Ze wilden weten of "video-scaffolding" (korte video's die studenten helpen wanneer ze vastzitten) studenten echt sneller hielp leren.

Het Resultaat: Ze ontdekten dat voor de studenten die de video's zouden gebruiken, de video's hen aanzienlijk sneller hielpen leren.
De Vergelijking: Toen ze GEEPERS vergeleken met de oude methoden, gaven de oude methoden vreemde resultaten (zoals het suggereren dat de video's studenten hielpen die ze nooit bekeken, wat geen zin heeft). GEEPERS gaf een resultaat dat logisch was: de video's hielpen de studenten die ze daadwerkelijk gebruikten.

De Conclusie

Als je een onderzoeker bent die probeert het effect van een behandeling op een specifieke subgroep mensen te achterhalen die niet allemaal de regels volgden, dan is GEEPERS een nieuw, eenvoudiger en steviger instrument. Het stelt je in staat om de standaard wiskundige tools die je al kent te gebruiken om een probleem op te lossen dat voorheen complexe, breekbare en moeilijk te gebruiken modellen vereiste. Het gaat erom geavanceerde causale inferentie toegankelijk te maken voor gewone onderzoekers zonder afbreuk te doen aan de nauwkeurigheid.

Technische Samenvatting: GEEPERs – Principale Stratificatie met Gebruik van Principale Scores en Gestapelde Schattingsvergelijkingen

Probleemstelling
Principale stratificatie is een raamwerk voor causale inferentie dat is ontworpen om behandelingseffecten te schatten voor subgroepen die worden gedefinieerd door post-behandelingsvariabelen (bijvoorbeeld conformiteitsgedrag) die zelf door de behandeling kunnen worden beïnvloed. Een primaire uitdaging op dit gebied is dat principale strata (bijvoorbeeld "compliers" versus "never-takers") onwaarneembare contrafacten zijn; onderzoekers kunnen niet waarnemen wat de conformiteitsstatus van een proefpersoon zou zijn geweest onder een andere toewijzing van de behandeling.

Bestaande schatters voor principale effecten maken vaak gebruik van sterke structurele aannames of complexe modelleertechnieken die hun toegankelijkheid voor toegepaste onderzoekers beperken. Specifiek:

Parametrische Mengmodellen: Deze vereisen vaak Bayesiaanse Markov Chain Monte Carlo (MCMC)-methodes, zijn moeilijk te specificeren en kunnen leiden tot ernstig vertekende schattingen als verdelingsaannames (bijvoorbeeld normaliteit) worden geschonden.
Principale Score Weging: Hoewel deze methoden eenvoudiger te implementeren zijn, maken ze gebruik van de aanname van "principale ignorantie" (dat de lidmaatschap van een principale stratum onafhankelijk is van potentiële uitkomsten, geconditioneerd op covariaten). Dit is een sterke, niet-testbare aanname die analoog is aan die welke nodig is in observationele studies, terwijl gerandomiseerde trials juist specifiek zijn ontworpen om deze te vermijden.

Methodologie: GEEPERs
De auteurs introduceren GEEPERs (General Estimating Equations for Principal Effects using Regressions), een nieuwe schatter voor scenario's met éénrichtingsnon-conformiteit, waarbij lidmaatschap van het principale stratum wordt waargenomen in de behandelingsgroep maar niet in de controlegroep. De methode maakt gebruik van M-schatting en gestapelde schattingsvergelijkingen om de schatting van principale scores te combineren met de schatting van principale effecten.

De GEEPERs-procedure volgt een drie-stapslogica, geïmplementeerd als één enkel regressiemodel:

Schat Principale Scores: Pas een model toe (bijvoorbeeld logistische regressie) om de waarschijnlijkheid te voorspellen van behoren tot het "complier"-stratum ( $S_T=1$ ) aan de hand van pre-behandelingscovariaten ( $x$ ) en waargenomen conformiteitsgegevens uit de behandelingsgroep. Noem deze waarschijnlijkheid $e(x)$ .
Imputeer Ontbrekende Strata: Construeer een variabele $R_i$ $R_{i}$ die dient als proxy voor de onwaargenomen stratum-lidmaatschap in de controlegroep:
- Als $Z_i=1$ (behandeling), dan is $R_i = S_i$ (waargenomen conformiteit).
- Als $Z_i=0$ (controle), dan is $R_i = e(x_i)$ (geschatte principale score).
Schat Effecten via OLS: Pas een Ordinary Least Squares (OLS)-regressie toe van de uitkomst $Y$ op de behandelaanduiding $Z$ , de geïmputeerde stratum-proxy $R$ , en hun interactie, waarbij eventueel covariaten $g(x)$ worden opgenomen om onafhankelijkheidsaannames te versoepelen:
$Y_i = \beta_0 + \beta_1 R_i + \beta_2 Z_i + \beta_3 (Z_i R_i) + \gamma' g(x)_i + \epsilon_i$
De principale effecten worden teruggevonden als lineaire combinaties van de coëfficiënten: $\hat{\tau}_0 = \hat{\beta}_2$ en $\hat{\tau}_1 = \hat{\beta}_2 + \hat{\beta}_3$ .

Belangrijkste Aannames en Technische Eigenschappen

Sterke Monotonie: Gaat uit van éénrichtingsnon-conformiteit (bijvoorbeeld $S_{Ci}=0$ voor alle $i$ ), wat betekent dat geen enkele proefpersoon zou conformeren als deze aan de controle zou zijn toegewezen, maar niet als deze aan de behandeling zou zijn toegewezen.
Onafhankelijkheid van Geresidueerde Covariaten: De methode versoepelt de strikte aanname van "Covariaatonafhankelijkheid" door toelating tot een lineaire correctie voor covariaten. Er wordt aangenomen dat na correctie voor covariaten de potentiële uitkomsten gemiddeld onafhankelijk zijn van de covariaten binnen strata.
Geen Verdelingsaannames: In tegenstelling tot mengmodellen maakt GEEPERs geen specifieke verdeling aan voor de regressiefouten.
Standaardfouten: Omdat de methode een tweestapsproces omvat (schatting van scores en vervolgens effecten), maken de auteurs gebruik van gestapelde schattingsvergelijkingen. Dit maakt de berekening van "sandwich"-standaardfouten mogelijk die de onzekerheid van de eerste stap (schatting van scores) correct doorgeven naar de tweede stap (schatting van effecten).

Simulatie-resultaten
De auteurs voerden een simulatiestudie uit waarin GEEPERs werd vergeleken met Parametrisch Mengmodelleer (PMM) en Principale Score Weging (PSW) onder verschillende omstandigheden:

Robuustheid tegen Verdelingsovertredingen: GEEPERs presteerde consistent goed, ongeacht of de regressiefouten normaal, lognormaal of uniform verdeeld waren. Daarentegen leed PMM aan ernstige vertekening, bimodale steekproefverdelingen en een slechte dekking van betrouwbaarheidsintervallen wanneer de fouten niet normaal waren (specifiek uniform).
Robuustheid tegen Ongemeten Verwarring: Wanneer de aanname van "principale ignorantie" werd geschonden (door een ongemeten covariaat die zowel conformiteit als uitkomst voorspelde), vertoonde PSW aanzienlijke vertekening. GEEPERs bleef minder vertekend dan PMM en PSW, hoewel het enige gevoeligheid toonde voor interacties tussen covariaten en toewijzing van de behandeling.
Steekproefgrootte en Voorspelbaarheid: GEEPERs was over steekproefgroottes heen ongeveer onbevooroordeeld. Hoewel het een iets hogere variantie had dan PMM in kleine steekproeven of wanneer covariaten conformiteit slecht voorspelden, nam deze efficiëntiekloof af naarmate de steekproefgrootte en de voorspellende kracht van de covariaten toenamen.
Gevoeligheidsanalyse: De auteurs toonden aan dat als er interacties tussen covariaten en toewijzing van de behandeling (effectmoderatoren) worden vermoed, het uitsluiten van die specifieke covariaten uit de analyse de geldigheid van de GEEPERs-schattingen kan herstellen, wat een praktische gevoeligheidscontrole biedt.

Toepassing op Real-data
De methode werd toegepast op een heranalyse van drie gerandomiseerde gecontroleerde trials (RCT's) van het ASSISTments online wiskundplatform, waarbij het effect van "video-scaffolding" op de snelheid van beheersing door studenten werd geëvalueerd.

Vondsten: GEEPERs schatte een positief effect voor "compliers" (studenten die scaffolding gebruikten) over alle modelspecificaties heen, met schattingen variërend van 0,30 tot 0,50 standaarddeviaties. Schattingen voor "never-takers" lagen dicht bij nul met grote standaardfouten, wat consistent is met geen effect.
Vergelijking: PMM leverde vergelijkbare puntsschattingen op voor compliers, maar suggereerde een verrassend groot positief effect voor never-takers, wat de auteurs als verdacht aanwezen vanwege controles op modelmisspecificatie. PSW leverde een groot positief effect op voor never-takers en een kleiner effect voor compliers, waarschijnlijk als gevolg van de schending van principale ignorantie (studenten die hulp nodig hadden, worstelden inherent meer).

Betekenis en Claims
Het artikel beweert dat GEEPERs drie kritieke gaten in de bestaande literatuur opvult:

Toegankelijkheid: Door principale stratificatie terug te brengen tot standaard logistische en lineaire regressie, is de methode toegankelijk voor toegepaste onderzoekers zonder geavanceerde training in Bayesiaanse MCMC of likelihood-optimalisatie.
Robuustheid: De methode vermijdt de broosheid van parametrische mengmodellen met betrekking tot verdelingsaannames en de sterke, niet-testbare aannames van principale ignorantie die nodig zijn voor wegingsmethoden.
Flexibiliteit: Het biedt een unificerend raamwerk dat veelbeschikbare regressietools gebruikt, terwijl het een rigoureuze manier biedt om de onzekerheid van tweestaps-schattingen te behandelen via sandwich-variatieschatters.

De auteurs concluderen dat GEEPERs, hoewel het niet immuun is voor alle overtredingen (met name die welke betrekking hebben op niet-gemodelleerde effectmoderatoren), een robuust, interpreteerbaar en computationeel rechttoe-rechtaan alternatief biedt voor het schatten van principale effecten in educatieve en andere gerandomiseerde trials met éénrichtingsnon-conformiteit.