📈 economics

Potential weights and implicit causal designs in linear regression

Dit artikel formaliseert een minimaal criterium voor het interpreteren van lineaire regressieschattingen als causale effecten door "impliciete ontwerpen" te introduceren die karakteriseren wanneer het weegschema van een regressie overeenkomt met het werkelijke toewijzingsproces van de behandeling, waarbij wordt onthuld dat quasi-experimentele interpretaties alomtegenwoordig zijn in toegepast onderzoek, maar vaak ongeldig of benaderend zijn.

Oorspronkelijke auteurs: Jiafeng Chen

Gepubliceerd 2026-07-08

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Jiafeng Chen

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 uit te zoeken of een nieuw medicijn een ziekte daadwerkelijk geneest. In de echte wereld kun je niet zomaar het medicijn aan iedereen geven om te zien wat er gebeurt; je hebt een controlegroep nodig. De gouden standaard is een Randomized Controlled Trial (RCT), waarbij je bijvoorbeeld een muntje opgooit om te beslissen wie het medicijn krijgt en wie een suikerpil krijgt. Dit zorgt ervoor dat de twee groepen op elke manier identiek zijn, behalve voor het medicijn.

In de economie en sociale wetenschappen hebben we echter zelden het luxe van het opgooien van een muntje. In plaats daarvan kijken onderzoekers vaak naar "natuurlijke experimenten"—situaties waarin iets gebeurde dat lijkt op een muntworp (zoals een plotseling beleidswijziging of een willekeurige weersomstandigheid). Ze gebruiken dan een standaard wiskundig hulpmiddel genaamd Lineaire Regressie om het effect te berekenen.

Het artikel van Jiafeng Chen stelt een eenvoudige maar diepgaande vraag: "Wanneer we regressie gebruiken op deze 'natuurlijke' situaties, meten we dan daadwerkelijk een causaal effect, of houden we onszelf voor de gek?"

Hier is de uitsplitsing van de bevindingen van het artikel met behulp van alledaagse analogieën.

1. De "Geest in de Machine" (Impliciete Ontwerpen)

Wanneer een onderzoeker een regressie uitvoert, zegt hij vaak: "We nemen aan dat de behandeling willekeurig is toegewezen, dus ons resultaat is geldig." Maar ze schrijven zelden precies op hoe die willekeurigheid tot stand kwam.

Chen betoogt dat elke regressievergelijking stiekem een specifiek, verborgen verhaal bevat over hoe de behandeling werd toegewezen. Hij noemt dit het "Impliciete Ontwerp" (Implicit Design).

De Analogie: Stel je voor dat je een bakwedstrijd beoordeelt. Je hebt een formule om de score van de winnaar te berekenen. Je vermeldt niet expliciet de regels van de wedstrijd, maar de formule die je gebruikt, impliceert specifieke regels. Bijvoorbeeld, als je formule dubbele punten geeft aan mensen die chocolade hebben gebruikt, dan impliceert je formule dat de jury stiekem de voorkeur gaf aan chocolade.
De Claim van het Artikel: Wanneer je een regressie uitvoert, neem je impliciet een zeer specifieke, rigide regel aan voor hoe de "behandeling" (zoals een nieuwe wet of een jobtrainingprogramma) aan mensen werd toegewezen. Als de echte wereld niet precies dat verborgen regel volgde, is je resultaat slechts een wiskundig artefact, en geen echt oorzaak-gevolg effect.

2. De "Perfecte Pasvorm"-test (Exacte Quasi-Experimentele Interpretatie)

Het artikel introduceert een strikte test: om een regressieresultaat een echte "causale" effect te laten zijn, moet de werkelijke toewijzing van de behandeling in de echte wereld perfect overeenkomen met het "Impliciete Ontwerp" dat in de wiskunde verborgen zit.

De Analogie: Denk aan een sleutel en een slot. De regressievergelijking is het slot. De manier waarop mensen in de echte wereld de behandeling kregen, is de sleutel.
- Als de sleutel perfect in het slot past (de echte wereld komt overeen met de verborgen wiskunde), gaat de deur open en heb je een geldig causaal antwoord.
- Als de sleutel zelfs maar een klein beetje de verkeerde vorm heeft (de echte wereld komt niet overeen met de verborgen wiskunde), gaat de deur niet open. Het getal dat uit de machine komt, is betekenisloos.

Het Slechte Nieuws: Chen ontdekt dat voor veel veelvoorkomende soorten regressies (vooral die die heel flexibel of complex willen zijn), de "sleutel" (de echte wereld) bijna nooit in het "slot" (de verborgen wiskunde) past. De verborgen regels zijn zo specifiek en fragiel dat het zeer onwaarschijnlijk is dat de natuur ze precies heeft gevolgd.

3. De "Bijna Goed Genoeg"-test (Benaderende Interpretatie)

Omdat de "Perfecte Pasvorm" zo zeldzaam is, vraagt het artikel: "Is het goed genoeg om nuttig te zijn?"

De Analogie: Stel je voor dat je probeert een bullseye te raken met een dartpijl.
- Exact: Je raakt het midden. Perfect.
- Benaderend: Je mist het midden, maar je bent er dichtbij.
- Het Inzicht van het Artikel: Zelfs als je de bullseye mist, kan je dartpijl nog steeds op een plek landen die nuttig is, mits je vizier niet op een vreemde manier werd beïnvloed door de wind (de uitkomst).
- Chen laat zien dat regressie vaak "benaderend" geldig is. Het werkt redelijk goed alleen als de fouten die de wiskunde maakt over wie de behandeling kreeg, niet gerelateerd zijn aan de fouten die de wiskunde maakt over wat de uitkomst was.
- In veel onderzoeken in de echte wereld gebeurt deze "niet-gecorreleerde fout" door geluk. De wiskunde heeft het fout over de toewijzing, en fout over de uitkomst, maar die twee fouten heffen elkaar op of werken niet op een slechte manier samen. Dit is waarom regressie vaak lijkt te werken, ook al zegt de strikte theorie dat het niet zou moeten.

4. De "AI-Volkstelling" (Wat doen onderzoekers eigenlijk?)

Om te zien hoe algemeen dit is, gebruikte de auteur AI om meer dan 1.000 recente economische artikelen te lezen.

De Bevindingen:
- Bijna iedereen gebruikt regressie.
- Bijna niemand vermeldt expliciet het "Impliciete Ontwerp" (de verborgen regels).
- Bijna niemand vermeldt expliciet voor welke specifieke groep mensen hun resultaat geldt (het "Impliciete Estimand").
- Toen de auteur zijn "Perfecte Pasvorm"-test toepaste op negen beroemde studies, sloeg er geen enkele. De verborgen regels in hun wiskunde kwamen niet overeen met de werkelijkheid.

5. Het "Gewogen Gemiddelde"-probleem

Wanneer regressie werkt (zelfs benaderend), vertelt het meestal niet het "Gemiddelde Effect" voor iedereen. Het vertelt het gemiddelde effect voor een specifieke, vreemd geselecteerde groep mensen.

De Analogie: Stel je een enquête voor met de vraag: "Hoeveel hou je van pizza?"
- Als je alleen mensen vraagt die al een stuk pizza vasthouden, zal je resultaat hoog zijn.
- Als je alleen mensen vraagt die een hekel hebben aan groenten, kan je resultaat anders zijn.
- Regressie werkt vaak als een enquête die per ongeluk alleen de mensen ondervraagt die het makkelijkst te bereiken zijn of het meest lijken op het model van de onderzoeker. Het resultaat is een "gewogen gemiddelde" waarbij sommige mensen voor 100% meetellen en anderen voor 0%, zelfs als de onderzoeker dat niet de bedoeling had.

Samenvatting van de Conclusie van het Artikel

Regressie is een zwarte doos: Het verbergt een zeer specifiek, rigide verhaal over hoe behandelingen worden toegewezen.
Het verhaal is meestal een leugen: In de echte wereld worden behandelingen zelden toegewezen op de exacte manier die de wiskunde vereist om het resultaat perfect geldig te maken.
Maar het werkt vaak door geluk: Zelfs als de strikte regels niet worden nageleefd, zijn de resultaten vaak "goed genoeg" omdat de fouten niet op een slechte manier samenvallen.
De Oplossing: Onderzoekers moeten stoppen met doen alsof de wiskunde magisch is. Ze moeten expliciet berekenen en rapporteren:
- Het Impliciete Ontwerp: "Dit is het exacte verhaal over hoe we aannemen dat de behandeling werd toegewezen."
- Het Impliciete Estimand: "Dit is de exacte groep mensen die ons resultaat daadwerkelijk vertegenwoordigt."

De Kernboodschap: Vertrouw een regressieresultaat niet alleen omdat het uit een beroemd tijdschrift komt. De wiskunde kan iets heel specifieks doen wat je niet hebt opgemerkt. Als je wilt weten of een resultaat echt is, moet je controleren of het "verborgen verhaal" binnen de wiskunde overeenkomt met de echte wereld.

Technische Samenvatting: Potentiële Gewichten en Impliciete Causale Ontwerpen in Lineaire Regressie

1. Probleemstelling

Toegepaste onderzoekers gebruiken frequent lineaire regressie om causale effecten te schatten, waarbij zij de interpretatie rechtvaardigen via quasi-experimentele variatie in de behandeling, terwijl de aannames over het proces van behandelingstoewijzing impliciet blijven. Er bestaat een centrale spanning: regressiespecificaties lijken vaak op structurele uitkomstmodellen, terwijl hun causale geldigheid volledig wordt afgeleid van aannames over hoe de behandeling $W$ wordt toegewezen. Zoals Freedman (2008) opmerkt, rechtvaardigt randomisatie niet inherent de aannames achter het Ordinary Least Squares (OLS) model.

Hoewel de literatuur (bijv. Angrist en Pischke, 2008; Angrist, 1998; Lin, 2013) suggereert dat veelvoorkomende estimators vaak eenvoudige, modelonafhankelijke interpretaties bezitten, is deze optimisme broos. Specifieke specificaties kunnen onder bepaalde toewijzingsprocessen interpreteerbare gewogen gemiddelde behandelwerkingen (WATE) opleveren, maar onder andere oninterpreteerbare of negatief gewogen estimanden produceren. Het artikel adresseert het gebrek aan een algemeen kader om te bepalen:

Onder welke aannames van behandelingstoewijzing een gegeven regressie een quasi-experimentele interpretatie toelaat.
Welk specifiek causaal contrast (estimand) de regressie target onder heterogeniteit.
Hoe slecht de schattingen worden wanneer deze impliciete aannames verkeerd gespecificeerd zijn.

2. Methodologie en Kader

Het artikel formaliseert een "design-based" perspectief, waarbij covariaten $(x_i)$ en potentiële uitkomsten $y_i(\cdot)$ als vast worden beschouwd en de willekeur in de behandelingstoewijzing $W_i$ wordt geïsoleerd. De kerninnovatie is de decompositie van de quasi-experimentele vereiste in twee onderscheiden vragen met betrekking tot het ware toewijzingsproces $\pi^*$ .

Het Minimale Quasi-Experimentele (MQE) Criterium:
Het artikel definieert een regressie-estimand $\tau$ als minimaal quasi-experimenteel als het een contrast is van individuele potentiële uitkomsten (dat wil zeggen, een gewogen gemiddelde van behandelwerkingen), ongeacht de configuratie van de potentiële uitkomsten. Dit dwingt "niveau-onafhankelijkheid" af: het verschuiven van alle potentiële uitkomsten voor een eenheid met een constante mag de estimand niet veranderen.

Potentiële Gewichten en Impliciete Ontwerpen:
De populatieregressie-estimand $\tau$ kan worden uitgedrukt als een lineaire aggregatie van potentiële uitkomsten:
$\tau = \frac{1}{n} \sum_{i=1}^n \sum_{w \in \mathcal{W}} \pi^*_i(w) \rho_i(w) y_i(w)$
waarbij $\rho_i(w) = \Lambda G_n^{-1} z(x_i, w)$ potentiële gewichten zijn, die uitsluitend worden bepaald door de regressiespecificatie en de populatie-Grammatrix $G_n$ .

Voor $\tau$ om minimaal quasi-experimenteel te zijn, moeten de gewichten toegewezen aan potentiële uitkomsten nul sommeren over behandelingsniveaus voor elke eenheid. Dit legt lineaire restricties op aan de ware toewijzingskansen $\pi^*_i$ :
$\sum_{w \in \mathcal{W}} \pi^*_i(w) \rho_i(w) = 0 \quad \text{en} \quad \sum_{w \in \mathcal{W}} \pi^*_i(w) = 1$

De oplossingen voor deze lineaire vergelijkingen worden impliciete ontwerpen genoemd.

[MQE-1] Bestaan: Bestaat er een geldige kansverdeling $\pi$ die aan deze lineaire restricties voldoet?
[MQE-2] Correctheid: Is het ware toewijzingsproces $\pi^*$ gelijk aan een van deze impliciete ontwerpen?

Benaderende Quasi-Experimentele Interpretatie:
Wanneer exacte condities falen, stelt het artikel een numerieke equivalentie vast tussen de OLS-estimator en een Augmented Inverse Propensity Weighting (AIPW) estimator. Het gat tussen de OLS-estimator en een AIPW-estimator (die een specifiek ontwerp $\tilde{\pi}$ target) is proportioneel aan de empirische covariantie tussen de regressieresten en de mate waarin $\tilde{\pi}$ de impliciete ontwerp-restricties schendt. OLS is dus benaderend quasi-experimenteel als de misspecificatie van het behandelingsmodel niet gecorreleerd is met de misspecificatie van het uitkomstmodel.

3. Belangrijkste Bijdragen en Theoretische Resultaten

Unificatie en Converse Resultaten:
Het kader unificeert uiteenlopende resultaten in de literatuur (bijv. Angrist, 1998; Goldsmith-Pinkham et al., 2024; Athey en Imbens, 2022) door aan te tonen dat hun voorgestelde ontwerpen en estimanden precies de impliciete ontwerpen en impliciete estimanden zijn die uit de regressiespecificatie worden afgeleid. Cruciaal is dat het artikel ook converse resultaten biedt: een regressie staat een quasi-experimentele interpretatie toe indien en slechts indien het ware ontwerp overeenkomt met het unieke impliciete ontwerp.

Specifieke Specificatiebevindingen:

Binaire Behandeling met Covariaten: Voor $Y_i = \tau W_i + x_i'\gamma + \epsilon_i$ , vereist het impliciete ontwerp dat de propensity score lineair is in de covariaten ( $\pi_i = x_i'\delta$ ). De estimand is een WATE met gewichten proportioneel aan $\pi_i(1-\pi_i)$ .
Geinteracteerde Regressies: Voor specificaties die de behandeling interageren met covariaten ( $Y_i = \tau_0 W_i + \tau_1' W_i x_i + \dots$ ), is de exacte quasi-experimentele interpretatie zeer fragiel. Het vereist dat zowel de propensity score als de interactie ervan met de covariaten lineair zijn in de resterende covariaten. Deze conditie faalt over het algemeen, tenzij de covariaten verzadigd zijn, wat impliceert dat geinteracteerde regressies vaak geen verdedigbare causale interpretatie hebben.
Two-Way Fixed Effects (TWFE): TWFE-regressies met tijdvariërende covariaten falen over het algemeen om een impliciet ontwerp toe te laten, tenzij de behandelingspaden volledig gerandomiseerd zijn of de covariaten restrictieve lineaire span-condities voldoen.
Two-Stage Least Squares (TSLS): Het kader strekt zich uit naar TSLS en herstelt noodzakelijke condities voor compliance-patronen (bijv. sterke monotoniciteit voor binaire instrumenten) als vereisten voor de impliciete estimand om passende gewichten toe te wijzen.

4. Empirische Resultaten

AI-gestuurde Census:
Een analyse van 1.051 artikelen uit de American Economic Review en American Economic Journal: Applied Economics (2020–2026) laat zien dat quasi-experimentele regressie alomtegenwoordig is. Echter:

Praktisieden gebruiken zelden moderne causale inferentiemethoden (IPW, matching, DML).
Expliciete target estimanden worden zelden benoemd (slechts 9 van de 98 unconfoundedness papers).
Een aanzienlijk deel van de studies gebruikt geinteracteerde specificaties of TWFE met tijdvariërende covariaten, wat volgens de theoretische resultaten suggereert dat zij kwetsbaar zijn voor negatieve bevindingen met betrekking tot de causale interpretatie.

Diagnostische Heranalyse van Negen Studies:
Het artikel heranalyseert negen recente studies met behulp van de voorgestelde diagnostieken:

Exacte Interpretatie: In alle negen gevallen wordt de exacte quasi-experimentele interpretatie verworpen. Geschatte impliciete ontwerpen leveren vaak propensity scores buiten $[0, 1]$ op, en Ramsey RESET-testen verwerpen besluitend de lineariteit van de ware propensity score.
Benaderende Interpretatie: Ondanks de verwerping van exacte condities, lijken de meeste studies benaderend quasi-experimenteel. De covariantie tussen ontwerp-discrepanties en regressieresten is doorgaans klein, wat betekent dat OLS-schattingen dicht bij AIPW-schattingen blijven voor redelijke alternatieve ontwerpen.
Uitzonderingen: Eén studie (Ang, 2023) vertoont een grote discrepantie waarbij alternatieve propensity score-schattingen het OLS-resultaat met meer dan twee standaardfouten veranderen, wat aangeeft dat het falen van het impliciete model in die specifieke context consequential is.
Representativiteit: Veel toepassingen lijken te lijden onder slechte overlap, wat betekent dat de impliciete estimand aggregeert over een klein deel van de populatie. Het trimmen voor overlap verbetert de representativiteit, maar laat de schattingen vaak representatief zijn voor een minderheids-subpopulatie.

5. Betekenis en Claims

Het artikel claimt een algemeen, automatiseerbaar kader te bieden voor het beoordelen van de geldigheid van causale claims afgeleid van lineaire regressie. De primaire betekenis ligt in:

Formalisering van het Impliciete Model: Het toont aan dat het gebruik van een regressie voor causale inferentie impliciet een specifieke methode van behandelingstoewijzing selecteert (het impliciete ontwerp) en een specifieke weging van heterogene effecten (de impliciete estimand).
Uitdaging van Optimisme: Het suggereert dat de "optimisme" van Angrist en Pischke (2008) met betrekking tot de robuustheid van regressie niet universeel gerechtvaardigd is. Exacte quasi-experimentele interpretaties zijn vaak broos, met name in geinteracteerde en TWFE-modellen.
Praktisch Nut: Hoewel exacte interpretaties vaak falen, stelt het kader onderzoekers in staat om de benaderende geldigheid en de representativiteit van hun estimanden te beoordelen. De auteurs stellen dat transparant empirisch onderzoek zou moeten bestaan uit het expliciet schatten en rapporteren van impliciete ontwerpen en estimanden om deze verborgen aannames zichtbaar te maken.

Het artikel concludeert dat hoewel regressie in de praktijk vaak een redelijke estimator dient vanwege de lage correlatie tussen model-misspecificaties, de impliciete aannames die het oplegt niet triviaal zijn en expliciet gemaakt moeten worden in plaats van een informele rechtvaardiging te krijgen.