📊 statistics

Two-stage least squares with treatment-covariate interactions for treatment effect heterogeneity

Dit artikel toont aan dat de interactieve tweestaps-kleinste-kwadratenmethode alleen consistente schattingen van heterogeniteit in behandelingseffecten oplevert onder specifieke lineaire voorwaarden voor de IV-kovariaten-interacties, wat in de praktijk vaak beperkt is tot categorische kovariaten of willekeurige toewijzing.

Oorspronkelijke auteurs: Anqi Zhao, Peng Ding, Fan Li

Gepubliceerd 2026-03-03

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Anqi Zhao, Peng Ding, Fan Li

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 dokter bent die een nieuw medicijn test. Je wilt weten of het medicijn werkt, maar er is een probleem: niet iedereen neemt het medicijn in, en degenen die het wel nemen, zijn misschien al anders dan degenen die het niet nemen (bijvoorbeeld, ze zijn gezonder of gemotiveerder). Dit maakt het moeilijk om de echte effecten te meten.

In de statistiek gebruiken we een trucje genaamd een Instrumentele Variabele (IV). Denk hierbij aan een "loterij" of een willekeurige factor die bepaalt wie het medicijn krijgt, maar die op zichzelf geen invloed heeft op de gezondheid. Als de loterij werkt, kunnen we de echte genezing berekenen.

Maar wat nu als het medicijn voor de één werkt als een wonder, en voor de ander nauwelijks? Dit noemen we behandelings-effect heterogeniteit. De vraag is: Waarom werkt het voor de één en niet voor de ander? Misschien hangt het af van leeftijd, geslacht of een andere factor (covariaten).

De auteurs van dit paper (Zhao, Ding en Li) kijken naar een populaire statistische methode om dit te analyseren: de Tweestaps-Kleinste-Kwadraten-methode (2SLS) met interacties.

Hier is de kern van hun ontdekking, vertaald naar alledaags taal:

1. De Intuïtieve Aanpak (De "Interactieve" Methode)

Stel je voor dat je een recept hebt voor een taart (de uitkomst). Je wilt weten hoe het bakken (de behandeling) de taart beïnvloedt, en of dit verschilt als je andere ingrediënten (covariaten) toevoegt.

De standaardmanier is om te zeggen: "Het bakken maakt de taart X% lekkerder."
De interactieve manier (die dit paper bekijkt) zegt: "Het bakken maakt de taart X% lekkerder, maar als je suiker toevoegt, wordt het effect Y%."

Statistici proberen dit te berekenen door een formule te maken die rekening houdt met deze interacties. Het klinkt logisch, toch? "Laten we gewoon kijken of het effect verschilt per persoon."

2. Het Grote Probleem: De "Valse Vriend"

De auteurs zeggen: "Stop! Dit werkt niet zomaar."

Ze ontdekken dat deze interactieve formule alleen eerlijke antwoorden geeft als een heel specifieke, bijna onmogelijke voorwaarde wordt voldaan. Ze noemen dit de "Lineaire IV-Covariaten Interactie Voorwaarde".

Laten we dit vergelijken met een moeilijk puzzel:

Je hebt een loterij (de IV) die bepaalt wie bakken doet.
Je hebt ingrediënten (de covariaten, zoals leeftijd).
De auteurs zeggen: Om de formule te laten werken, moet de kans om te winnen in de loterij (de "propensiteit") op een heel specifieke, lineaire manier samenhangen met je ingrediënten.

De verrassende ontdekking:
De auteurs bewijzen dat deze voorwaarde bijna nooit waar is, tenzij je in twee heel speciale situaties zit:

Ofwel heb je te maken met een paar duidelijke categorieën (bijvoorbeeld: alleen "Man" en "Vrouw", of "Jong" en "Oud", maar geen continue schaal van leeftijd).
Ofwel is de loterij echt volledig willekeurig en heeft niets te maken met je ingrediënten (wat in de echte wereld zelden gebeurt).

De Metafoor:
Stel je voor dat je probeert de snelheid van auto's te meten op een weg met heuvels. Je hebt een "instrument" (een windstoot) die bepaalt of de auto gas geeft.
De auteurs zeggen: "Je kunt alleen de echte snelheidsverschillen berekenen als de windstoot precies lineair samenhangt met de helling van de weg. Als de windstoot een beetje willekeurig is, of als de helling een complexe curve is, dan geeft je formule een valse snelheid."

3. Wat betekent dit voor de praktijk?

Als je een onderzoeker bent die kijkt of een medicijn voor verschillende groepen mensen werkt, en je gebruikt deze standaard interactieve formule, dan loop je het risico dat je niets ziet, of iets ziet dat er niet is.

Het gevaar: Je kunt denken dat het medicijn werkt voor jongeren en niet voor ouderen, terwijl dat puur een statistisch artefact is veroorzaakt door hoe je data is verzameld.
De conclusie: Zonder extra aannames (die vaak niet kloppen) is het interpreteren van deze interactie-coëfficiënten als "het echte verschil tussen groepen" gevaarlijk.

4. De Oplossing: De "Gedemotiveerde" Methode

Gelukkig hebben de auteurs ook een oplossing gevonden!

Als je de interactieve formule gebruikt, maar je centrert je data (je trekt het gemiddelde van de groepen af, zodat je kijkt naar "hoeveel meer of minder dan gemiddeld" iemand is in plaats van de absolute waarde), dan werkt het weer!

De Analogie: In plaats van te kijken naar de absolute lengte van mensen (wat verwarrend kan zijn door de helling van de weg), kijk je naar hoe lang ze zijn ten opzichte van het gemiddelde in hun eigen dorp. Dan werkt je windstoot-trucje weer perfect om de echte snelheid te meten.

Samenvatting in één zin

Deze paper waarschuwt onderzoekers dat het simpelweg toevoegen van "interacties" aan hun formules om te kijken of een behandeling voor iedereen anders werkt, vaak leidt tot verkeerde conclusies, tenzij je data heel speciaal is; maar als je je data eerst "centreert" (afwijkt van het gemiddelde), kun je die interacties wel veilig gebruiken.

Kortom: Wees voorzichtig met complexe formules die lijken te werken, want zonder de juiste "wiskundige bril" (deze specifieke voorwaarden) zie je misschien alleen maar illusies in je data.

Titel: Tweestaps-kleinste-kwadraten (2SLS) met interacties tussen behandeling en covariaten voor heterogeniteit in behandelingseffecten

1. Probleemstelling

In instrumentvariabele (IV) analyses is heterogeniteit in behandelingseffecten ten opzichte van covariaten veelvoorkomend. Een intuïtieve aanpak om deze heterogeniteit te schatten, is het gebruik van tweestaps-kleinste-kwadraten (2SLS) met interactietermen tussen de behandeling en de covariaten (de zogenaamde "interacted 2SLS").

Het probleem is dat de causale interpretatie van de regressiecoëfficiënten uit deze interactiemodellen onder het Local Average Treatment Effect (LATE)-raamwerk niet eenduidig is, tenzij specifieke en vaak onrealistische voorwaarden worden voldaan. Bestaande literatuur heeft de eigenschappen van deze interactieve 2SLS-methoden voornamelijk alleen onderzocht wanneer de IV onvoorwaardelijk geldig is (randomized assignment). Dit artikel vult deze lacune door de interpretatie te verduidelijken wanneer de IV voorwaardelijk geldig is (d.w.z. geldig na conditionering op covariaten), wat in de praktijk veel vaker voorkomt.

2. Methodologie en Model

De auteurs beschouwen een studie met een binair behandelfactor $D_i$ , een uitkomst $Y_i$ , een vector van exogene covariaten $X_i$ , en een binaire instrumentvariabele $Z_i$ .

Interacted 2SLS (Definitie 2): In plaats van een additief model te gebruiken, schatten de auteurs het volgende model:
- Eerste stap: $D_i$ wordt geïnstreerd door $Z_i X_i$ en $X_i$ .
- Tweede stap: $Y_i$ wordt geregresseerd op $D_i X_i$ en $X_i$ .
- Het doel is om de coëfficiënten $\hat{\beta}_{2sls}$ van de interactietermen $D_i X_i$ te interpreteren.
Causale Doelgroepen:
- LATE ( $\tau_c$ ): Het gemiddelde behandelingseffect voor "compliers" (diegenen wier behandeling wordt beïnvloed door $Z_i$ ).
- Systematische variatie ( $\beta_c$ ): De lineaire projectie van het individuele behandelingseffect op de covariaten binnen de subpopulatie van compliers. Dit vertegenwoordigt de deel van de heterogeniteit die lineair verklaard kan worden door $X_i$ .
Aannames:
- De IV is voorwaardelijk geldig gegeven $X_i$ (exogeniteit, uitsluitingsbeperking, overlap, relevantie, monotoniteit).
- Er wordt geen aangenomen dat het werkende lineaire model correct is gespecificeerd; 2SLS wordt gezien als een numeriek hulpmiddel.

3. Belangrijkste Bijdragen en Resultaten

De auteurs presenteren drie hoofdbevindingen:

A. De Noodzakelijke en Voldoende Voorwaarde (Theorema 1)
De coëfficiënten van de interactietermen ( $\hat{\beta}_{2sls}$ ) zijn consistent voor het schatten van de systematische behandelingseffectvariatie ( $\beta_c$ ) voor elk mogelijke generatieproces van uitkomsten dan en slechts dan als de volgende voorwaarde geldt:

Lineaire IV-covariaten interactie voorwaarde: Het product van de IV-kansscore (propensity score) $e(X_i) = P(Z_i=1|X_i)$ $e (X_{i}) = P (Z_{i} = 1∣ X_{i})$ en de covariaten $X_i$ $X_{i}$ moet lineair zijn in $X_i$ $X_{i}$ .
- Wiskundig: $E(Z_i X_i | X_i) = e(X_i)X_i$ moet een lineaire functie zijn van $X_i$ .

Dit betekent dat als deze voorwaarde niet geldt, de geschatte coëfficiënten geen zuivere causale interpretatie hebben als maatstaf voor heterogeniteit, tenzij het uitkomstmodel correct is gespecificeerd (wat zelden het geval is in IV-contexten).

B. De Strengheid van de Voorwaarde (Theorema 2)
De auteurs tonen aan dat de "lineaire IV-covariaten interactie voorwaarde" extreem restrictief is. Als de covariaten een vector zijn van dimensie $K$ (inclusief een constante term), geldt deze voorwaarde alleen als de IV-kansscore $e(X_i)$ hoogstens $K$ verschillende waarden aanneemt.

Dit leidt tot twee specifieke, vaak onrealistische scenario's waarin de interactieve 2SLS correct interpreteerbaar is:

Categorische covariaten: De covariaten $X_i$ zijn categorisch met precies $K$ niveaus (verzadigd model).
Randomized IV: De IV is onvoorwaardelijk willekeurig toegewezen ( $Z_i \perp\!\!\perp X_i$ ).

Conclusie: Voor continue covariaten of wanneer de IV niet onvoorwaardelijk gerandomiseerd is, is het zeer onwaarschijnlijk dat de voorwaarde wordt voldaan. Dit waarschuwt onderzoekers tegen het blindelings toevoegen van interactietermen in 2SLS specificaties zonder correcte specificatie van het uitkomstmodel.

C. Een Oplossing: Gemeanende Covariaten (Theorema 3)
Als een toepassing van hun theorie, tonen de auteurs aan dat de interactieve 2SLS met gemeanende covariaten (demeaned covariates) wel consistent is voor het schatten van het algemene LATE ( $\tau_c$ ), mits de lineaire IV-covariaten interactie voorwaarde geldt.

Door de covariaten te centreren rond het gemiddelde van de compliers, wordt de coëfficiënt van de hoofdterm $D_i$ een directe schatter van het LATE, in plaats van een gewogen gemiddelde dat afwijkt van het LATE (zoals bij standaard additieve 2SLS het geval is).

4. Simulaties en Empirische Validatie

Inconsistentie: Een simulatie toont aan dat wanneer de lineaire voorwaarde niet geldt (bijv. continue covariaten met een niet-lineaire kansscore), de interactieve 2SLS-coëfficiënten een duidelijke bias vertonen ten opzichte van de ware heterogeniteit ( $\beta_c$ ).
Correctie: Een tweede simulatie bevestigt dat wanneer de voorwaarde wel geldt (bijv. categorische covariaten), de interactieve 2SLS met gemeanende covariaten de ware LATE nauwkeurig schat, terwijl standaard additieve methoden een gewogen gemiddelde produceren dat afwijkt.

5. Significatie en Implicaties

Waarschuwing voor Praktijk: Het artikel waarschuwt econometristen en onderzoekers dat het interpreteren van regressiecoëfficiënten uit modellen met behandeling-covariaten interacties in IV-studies zeer riskant is, tenzij de covariaten volledig categorisch zijn of de IV gerandomiseerd is.
Theoretische Verduidelijking: Het biedt een rigoureuze theoretische basis voor wanneer interactieve 2SLS geldige causale inferentie biedt voor heterogeniteit, en wanneer het slechts een numeriek artefact is.
Alternatieve Methode: Het biedt een concrete aanbeveling: gebruik interactieve 2SLS met gemeanende covariaten om het LATE te schatten, in plaats van te vertrouwen op de coëfficiënten van de interactietermen zelf voor heterogeniteit, tenzij de strenge lineariteitsvoorwaarde is voldaan.

Kortom, dit paper legt de beperkingen bloot van een populaire empirische techniek (interactieve 2SLS) en biedt een wiskundig onderbouwde voorwaarde voor validiteit, waardoor het een cruciale bijdrage levert aan de literatuur over instrumentvariabelen en causale inferentie.