📊 statistics

Doubly robust estimation with functional outcomes missing at random

Dit artikel presenteert en analyseert semi-parametrische, dubbel robuuste schatters voor het gemiddelde van functionele uitkomsten met ontbrekende waarden, waarbij de auteurs de asymptotische verdeling en gelijktijdige betrouwbaarheidsbanden vaststellen en de methode valideren via simulaties en een toepassing op contrafactuele uitkomsten.

Oorspronkelijke auteurs: Xijia Liu, Kreske Felix Ecker, Lina Schelin, Xavier de Luna

Gepubliceerd 2026-02-25

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Xijia Liu, Kreske Felix Ecker, Lina Schelin, Xavier de Luna

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

Het Grote Probleem: De Ontbrekende Puzzelstukken

Stel je voor dat je een enorme puzzel hebt van de levensverdienende trajecten van mensen. Je wilt weten hoe het gemiddelde inkomen eruitziet voor een hele groep mensen, van hun 21e tot hun 63e. Dit is geen enkel getal, maar een lijn die door de tijd loopt (een "functioneel resultaat").

Het probleem is: niet iedereen heeft een complete puzzel. Sommige mensen zijn uit de studie gestapt, anderen hebben hun gegevens niet ingevuld. Je hebt dus een gat in je plaatje. Als je simpelweg alleen de mensen telt die wel een volledig plaatje hebben, krijg je een verkeerd beeld. Misschien zijn de mensen die wegbleven juist degenen met een heel ander inkomen. Dat is als proberen het gemiddelde gewicht van een team te bepalen door alleen de zwaarste spelers te wegen, en de lichtste te negeren.

De Oplossing: Twee Slimme Methoden

De auteurs van dit papier (Xijia Liu en collega's) hebben twee slimme manieren bedacht om die ontbrekende stukken te schatten, zelfs als je niet precies weet waarom ze ontbreken. Ze gaan ervan uit dat de reden dat iemand wegvalt, alleen te maken heeft met wat je wel weet over die persoon (bijvoorbeeld: hun geslacht, opleiding of waar ze wonen). Dit noemen ze "willekeurig ontbrekend" (Missing At Random).

Ze gebruiken twee methoden:

1. De "Voorspeller" (Outcome Regression)

Stel je voor dat je een leraar bent die de cijfers van een klas moet voorspellen. Je kijkt naar de leerlingen die hun cijfers wel hebben ingevuld. Je ziet een patroon: "Leerlingen met een hoge opleiding en veel ervaring verdienen vaak meer."
Deze methode bouwt een model op basis van die bekende patronen en gebruikt het om de ontbrekende cijfers in te vullen.

Het risico: Als je verkeerde aannames maakt over hoe de cijfers samenhangen met de opleiding, is je hele voorspelling fout.

2. De "Dubbel Robuuste" Methode (Doubly Robust)

Dit is de ster van het verhaal. Het is als een auto met twee remmen.
Stel je voor dat je een auto moet stoppen. Je hebt twee systemen:

Een rem die werkt op basis van de snelheid (het model voor de cijfers).
Een rem die werkt op basis van de afstand tot de muur (het model voor de kans dat iemand wegvalt).

De "Dubbel Robuuste" methode combineert deze twee. Het slimme is: Je hebt maar één van de twee systemen nodig dat goed werkt om de auto veilig te stoppen.

Als je model voor de cijfers fout is, maar je model voor de kans op wegval is goed -> Je bent veilig.
Als je model voor de kans op wegval fout is, maar je cijfermodel is goed -> Je bent ook veilig.
Pas als beide systemen fout zijn, mislukt het.

In de statistiek betekent dit dat je schatting van het gemiddelde inkomen betrouwbaar blijft, zelfs als je één van je twee aannames over de data niet helemaal goed hebt.

Waarom is dit zo speciaal? (De "Gauwse" Wolk)

Meestal kijken statistici naar één enkel getal (bijvoorbeeld: "Het gemiddelde inkomen is €30.000"). Maar hier kijken ze naar een hele lijn (het inkomen per jaar).

De auteurs bewijzen wiskundig dat hun methode werkt als een wolk van waarschijnlijkheid die over die lijn zweeft. Ze kunnen niet alleen zeggen "hier is de lijn", maar ze kunnen ook een veiligheidsband (een schaduw) om die lijn te tekenen.

Zie je die schaduw? Die betekent: "We zijn 95% zeker dat de echte lijn ergens binnen die schaduw zit."
En het mooiste: deze zekerheid geldt voor de hele lijn tegelijk, niet alleen op één punt.

De Proef in de Praktijk

Ze hebben dit getest in een computer-simulatie (een Monte Carlo studie). Ze hebben duizenden "valse" datasets gegenereerd, waarbij ze soms expres fouten maakten in hun modellen.

Resultaat: Zelfs als ze fouten maakten, hield de "Dubbel Robuuste" methode het hoofd boven water. De veiligheidsbanden bleven waarheidsgetrouw.
Vergelijking: De oude methode (alleen kijken naar de mensen die wel antwoord gaven) gaf vaak een scheef beeld, net als iemand die alleen kijkt naar de rijkste mensen in een stad om het gemiddelde inkomen te bepalen.

Het Reële Voorbeeld: Zweedse Loonlijnen

Om te laten zien dat het werkt, hebben ze echte data gebruikt van mensen geboren in Zweden in 1954.

De vraag: "Wat zou het gemiddelde levensinkomen zijn geweest als iedereen in 1974 in een grote stad had gewerkt?"
Het probleem: We weten het inkomen alleen van degenen die daar daadwerkelijk woonden. Voor degenen die in kleine dorpen woonden, is dat een "tegenwereld" (counterfactual) dat we niet zien.
De uitkomst: Met hun nieuwe methode konden ze deze tegenwereld reconstructeren. Ze zagen dat de "naieve" methode (alleen kijken naar de stadsbewoners) de inkomens in de jonge jaren te hoog inschatte en later te laag. De nieuwe methode gaf een eerlijker beeld.

Conclusie in één zin

Dit papier biedt een nieuwe, dubbel-zekere manier om het gemiddelde verloop van iets (zoals inkomen) te berekenen, zelfs als veel data ontbreekt, en geeft je tegelijkertijd een betrouwbaar "veiligheidsnet" om te zien hoe nauwkeurig die schatting is.

Titel: Doubly Robust Schatting met Functionele Uitkomsten

Auteurs: Xijia Liu, Kreske Ecker, Lina Schelin en Xavier de Luna (Umeå Universiteit, Zweden)

1. Probleemstelling

Het artikel adresseert een veelvoorkomend probleem in de statistiek en causal inference: het schatten van het gemiddelde van functionele uitkomsten (d.w.z. data die functies zijn, zoals levenslange inkomenstrajecten of bewegingspatronen) wanneer een deel van deze uitkomsten ontbreekt (missing data).

Context: In veel studies (bijv. surveys of longitudinale cohortstudies) zijn de volledige functies niet voor alle eenheden waargenomen door non-respons of uitval.
Aannames: De auteurs gaan uit van het "Missing At Random" (MAR) mechanisme. Dit betekent dat de kans dat een uitkomst ontbreekt, uitsluitend afhankelijk is van de geobserveerde covariaten ( $X$ ) en niet van de uitkomst zelf ( $Y$ ).
Uitdaging: Bestaande literatuur richt zich vaak op scalair (één getal) of "fragmented" functionele data (waarbij delen van een curve ontbreken, maar covariaten niet beschikbaar zijn). Deze paper behandelt het geval waarbij de hele functie ontbreekt voor sommige eenheden, maar wel covariaten beschikbaar zijn.

2. Methodologie

De auteurs presenteren en analyseren twee semi-parametrische schatters voor het functionele gemiddelde $\mu_y = E(Y)$ :

Outcome Regression (OR) Schatter:
- Gebaseerd op een werkmodel voor de relatie tussen de uitkomst en covariaten: $Y_i = x_i^\top \beta + \epsilon_i$ .
- Ontbrekende waarden worden geïmputeerd met voorspellingen uit dit regressiemodel.
- Formule: $\hat{\mu}_{OR} = n^{-1} \sum_{i=1}^n x_i^\top \hat{\beta}$ .
Doubly Robust (DR) Schatter:
- Combineert het OR-model met een werkmodel voor de ontbrekingskans (propensity score): $\tau(x_i^\top \gamma) = P(Z_i=1|x_i)$ .
- De DR-schatter is een correctie van de OR-schatter, gewogen door de inverse van de ontbrekingskans.
- Formule: $\hat{\mu}_{DR} = n^{-1} \sum_{i=1}^n \left( x_i^\top \hat{\beta} + \frac{Z_i}{\tau(x_i^\top \hat{\gamma})} (Y_i - x_i^\top \hat{\beta}) \right)$ .

Asymptotische Afleiding:
De kern van de methodologische bijdrage ligt in het bewijzen van de asymptotische verdeling van deze schatters in een oneindig-dimensionale ruimte (Hilbert-ruimte $L^2$ ).

Stap 1: De auteurs discretiseren het domein van de functie naar een eindig aantal punten. Hierdoor worden de schatters multivariate (eindig-dimensionale) schatters. Ze gebruiken de theorie van M-schatters om de gezamenlijke asymptotische verdeling (multivariate normaal) af te leiden.
Stap 2: Ze bewijzen de tightness (strakheid) van de kansmaten van de geschaalde schatters. Hierdoor kunnen ze de resultaten uit Stap 1 uitbreiden naar het oneindig-dimensionale geval.
Resultaat: Beide schatters convergeren naar een Gaussisch proces (Gaussian Process).

3. Belangrijkste Bijdragen

Asymptotische Distributie: Het artikel levert expliciete uitdrukkingen voor de covariantiefuncties van de OR- en DR-schatters. Dit is cruciaal voor inferentie en was eerder niet beschikbaar in de literatuur voor dit specifieke context.
Doubly Robust Eigenschap voor Functies: De DR-schatter behoudt zijn "doubly robust" eigenschap in de functionele context. Dit betekent dat de schatter consistent is en asymptotisch normaal (Gaussisch proces) is, zolang maar één van de twee werkmodellen correct is gespecificeerd (ofwel het outcome-model, ofwel het propensity-score-model).
Simultane Betrouwbaarheidsbanden (SCB): Omdat de limietverdeling een Gaussisch proces is met een bekende covariantiefunctie, kunnen de auteurs simultane betrouwbaarheidsbanden construeren voor het hele functionele gemiddelde. Deze banden garanderen een dekkingspercentage (bijv. 95%) over het hele domein, niet alleen op individuele punten.
Toepasbaarheid: De methode maakt lokale inferentie mogelijk en is minder rekenintensief dan resampling-methoden (zoals bootstrapping) die vaak nodig zijn bij functionele data.

4. Resultaten

Monte Carlo Simulaties:
De auteurs voerden simulaties uit met verschillende steekproefgroottes ( $n=250$ tot $3000$) en foutverdelingen (Gaussisch en multivariate t-verdeling).

Dekking: De simultane betrouwbaarheidsbanden (SCB) bereikten de nominale dekking van 95% wanneer de modellen correct waren of wanneer de DR-schatter zijn robuustheid kon gebruiken.
Robuustheid: Bij modelmisspecificatie (waarbij één model fout is) bleef de DR-schatter goed presteren, terwijl de OR-schatter faalde als het outcome-model fout was.
Bias: De naive schatter (alleen gebaseerd op waarnemingen) vertoonde grote bias (tot 1.39) door de ontbrekende data. De DR-schatter had verwaarloosbare bias zolang één model correct was.
Niet-Gladde Data: Zelfs bij t-verdeelde fouten (waar de functie niet noodzakelijk glad is, wat een theoretische aanname schendt), presteerden de banden verrassend goed.

Toepassing (Case Study):
De methode werd toegepast op een Zweeds cohort (geboren in 1954) om een counterfactual vraag te beantwoorden: "Wat zou het gemiddelde levensinkomenstraject zijn geweest als iedereen op 20-jarige leeftijd in een grote arbeidsmarktregio had gewoond?"

De DR-schatter werd gebruikt om het gemiddelde traject te schatten voor de hele populatie, inclusief degenen die in kleine regio's woonden.
De simultane banden toonden aan dat de naive schatting (alleen grote steden) in de vroege jaren inkomen overschatte, maar na 30 jaar onderschatte.

5. Betekenis en Conclusie

Dit artikel is een significante bijdrage aan de statistische literatuur omdat het de theorie van doubly robust estimation uitbreidt van scalair naar functioneel data.

Innovatie: Het koppelt de robuustheid van causal inference-methoden aan de complexiteit van oneindig-dimensionale data.
Praktische Impact: Het biedt onderzoekers een instrument om betrouwbare, simultane conclusies te trekken over verloopcurves (zoals inkomens, gezondheidsmetingen) zelfs bij aanzienlijke uitval, zonder zware rekenlast van resampling.
Toekomstperspectief: De auteurs wijzen erop dat toekomstig werk zich kan richten op het verwerken van "Not Missing At Random" (NMAR) situaties en het integreren van machine learning-methoden voor de schatting van de nuisance parameters binnen dit functionele raamwerk.

Kortom, de paper levert een theoretisch onderbouwde en praktisch toepasbare methode om de onzekerheid van functionele gemiddelden in de aanwezigheid van ontbrekende data kwantitatief te maken.