📊 statistics

Non-overlap Average Treatment Effect Bounds

Dit artikel stelt een methode voor om informatieve partiële identificatiegrenzen voor het gemiddelde behandelingseffect af te leiden die ook geldig blijven wanneer de overlapveronderstelling niet opgaat, door gebruik te maken van gladde benaderingen en een Targeted Minimum Loss-Based-schatter om $\sqrt{n}$ -consistentie te bereiken en uniform geldige betrouwbaarheidsintervallen te construeren zonder dat de standaardpraktijk van het afsnijden van de subpopulatie vereist is.

Oorspronkelijke auteurs: Herbert P. Susmann, Alec McClean, Iván Díaz

Gepubliceerd 2026-05-14

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Herbert P. Susmann, Alec McClean, Iván Díaz

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 probeert het gemiddelde effect van een nieuw geneesmiddel (Behandeling) te meten in vergelijking met een placebo (Controle) op een grote groep mensen. In de ideale wereld van de statistiek heeft elke persoon een niet-nul kans om ofwel het geneesmiddel ofwel de placebo te krijgen. Dit heet Overlap. Het is als een eerlijke muntworp waarbij iedereen een kans van 50/50 heeft, of in ieder geval een kans om in een van de twee groepen te zitten.

Echter, in het echte leven breekt deze "eerlijke munt" vaak. Soms zijn er specifieke soorten mensen die alleen het geneesmiddel krijgen (misschien omdat hun artsen zeer zeker zijn dat het de enige optie is) of alleen de placebo (misschien omdat het geneesmiddel te riskant voor hen is). In de statistiek noemen we dit een Positiviteitsviolatie of Non-Overlap.

Wanneer dit gebeurt, gooien traditionele methoden voor het berekenen van het "Gemiddelde Treatment Effect" (ATE) meestal de handen in de lucht en zeggen: "We kunnen het gemiddelde voor de hele groep niet meer berekenen." Hun standaardoplossing is om te zeggen: "Oké, laten we gewoon de mensen negeren die niet aan de regels voldeden en het gemiddelde berekenen voor de overgebleven groep."

Het probleem met de oude manier:
De auteurs van dit paper betogen dat het weggooien van data een slecht compromis is. Als je de "niet-overlappende" mensen negeert, beantwoord je niet langer de vraag die je oorspronkelijk stelde (het effect op iedereen). Je hebt de vraag veranderd om aan de data te passen.

De nieuwe oplossing: de "Hek" methode
In plaats van data weg te gooien of de vraag te veranderen, stellen de auteurs een slimme nieuwe manier voor om het effect te schatten, zelfs wanneer de "eerlijke munt" gebroken is. Ze noemen dit Non-Overlap Bounds.

Zo werkt het, met een eenvoudige analogie:

1. De "Veilige Zone" versus de "Wilde Zone"

Stel je de populatie voor als een veld.

De Veilige Zone (Overlap): Dit is waar mensen een redelijke kans hebben om ofwel de ene ofwel de andere behandeling te krijgen. Hier kunnen we het effect van het geneesmiddel zeer precies meten, net als bij een normaal experiment.
De Wilde Zone (Non-Overlap): Dit is de rand van het veld waar de regels uit elkaar vallen. Sommige mensen krijgen alleen het geneesmiddel, en anderen krijgen alleen de placebo. We kunnen het effect hier niet direct meten omdat we geen vergelijkingsgroep hebben.

2. Het slechtst mogelijke scenario

In de "Wilde Zone", aangezien we het effect niet direct kunnen meten, zeggen de auteurs: "Laten we aannemen dat het slechtst mogelijke ding kan gebeuren."

Als het geneesmiddel bedoeld is om te helpen, nemen we aan dat het niets doet of zelfs schade toebrengt aan deze wilde groep.
Als het geneesmiddel bedoeld is om te schaden, nemen we aan dat het niets doet of zelfs helpt.

Door het slechtst mogelijke scenario voor de "Wilde Zone" en het best mogelijke scenario voor de "Veilige Zone" aan te nemen, creëren ze een Bereik (een Ondergrens en een Bovengrens) voor het totale gemiddelde effect.

3. Het "Hek" (De Drempel)

De methode gebruikt een "hek" (een drempel) om te beslissen wie in de Veilige Zone zit en wie in de Wilde Zone.

Als je het hek verplaatst om meer mensen in de Veilige Zone op te nemen, is je meting preciezer, maar moet je grotere aannames doen over de Wilde Zone (wat het bereik breder maakt).
Als je het hek verplaatst om minder mensen in de Veilige Zone op te nemen, zijn je aannames over de Wilde Zone kleiner, maar wordt je meting minder precies.

De auteurs hebben een wiskundige "smoothie" (een gladmakende techniek) ontwikkeld om dit hek aanpasbaar te maken en het bereik te berekenen zonder dat de wiskunde vastloopt of kapotgaat.

4. Waarom dit een groot nieuws is

Geen data meer weggooien: Je hoeft de mensen in de "Wilde Zone" niet te verwijderen. Je houdt ze in de berekening door rekening te houden met de onzekerheid die ze brengen.
Het bereik kan nog steeds nuttig zijn: Het paper toont aan dat in veel real-world situaties de "Wilde Zone" eigenlijk vrij klein is. Zelfs als we het slechtst mogelijke scenario aannemen voor die kleine groep, is het resulterende bereik vaak smal genoeg om ons te vertellen of het geneesmiddel werkt of niet.
Het is robuust: Zelfs wanneer de data rommelig is en de "eerlijke munt" zeer gebroken, geeft deze methode je nog steeds een geldig antwoord (een bereik), terwijl traditionele methoden je misschien een nutteloos, oneindig breed antwoord geven.

De Real-World Test

De auteurs hebben dit getest op zes verschillende real-world datasets.

Voorbeeld: Ze keken naar een studie over "Rechter Hartkatheterisatie" (een hartprocedure) en of het levens redt.
Het Resultaat: Traditionele methoden zeiden: "We kunnen het niet zeggen; de data is te rommelig, het antwoord kan alles zijn van totale dood tot totale overleving."
De Nieuwe Methode: De nieuwe methode zei: "Zelfs met de rommelige data kunnen we er 95% zeker van zijn dat de procedure de overleving vermindert met tussen de 3% en 10%."

Samenvatting

Denk eraan als proberen het gemiddelde lengte van een menigte te raden.

Oude manier: Als je de mensen in de achterste rij niet kunt zien (Non-Overlap), zeg je: "Ik kan het gemiddelde niet raden," of je raadt het gemiddelde van alleen de voorste rij (de vraag veranderen).
Nieuwe manier: Je meet de voorste rij perfect. Voor de achterste rij zeg je: "Ze zijn tussen de 1,2 en 2,1 meter lang." Je combineert deze tot een eindantwoord: "De gemiddelde lengte van de hele menigte ligt tussen de 1,6 en 1,8 meter."

Het paper bewijst dat deze "bereik"-aanpak wiskundig sound is, werkt zelfs wanneer de data vreselijk is, en vaak een veel nuttiger antwoord geeft dan de oude methoden.

Technische Samenvatting: Grenzen voor het Gemiddelde Behandelings-effect zonder Overlap

Probleemstelling
Het Gemiddelde Behandelings-effect (ATE), gedefinieerd als het gemiddelde verschil in potentiële uitkomsten onder behandeling versus controle, is een canoniek doelwit in causale inferentie. De standaardidentificatie van het ATE berust op drie aannames: consistentie, conditionele uitwisselbaarheid (geen ongemeten verstorende factoren) en overlap (positiviteit). De overlap- assumptie vereist dat elke eenheid een niet-nul kans heeft om ofwel behandeling ofwel controle te ontvangen ( $0 < P(A=1|X) < 1$ ).

Wanneer overlap faalt – hetzij structureel (propensiteitscores zijn exact 0 of 1 voor bepaalde subpopulaties) hetzij praktisch (propensiteitscores liggen extreem dicht bij 0 of 1, wat leidt tot schaarse data in eindige steekproeven) – is het ATE niet punt-identificeerbaar. De standaardoplossing in dergelijke scenario's is het ATE op te geven ten gunste van alternatieve schattingsgrootheden, zoals effecten gedefinieerd op een getrimde "overlap"-subpopulatie of via incrementele propensiteitscore-interventies. Deze benaderingen veranderen echter de wetenschappelijke vraagstelling en leveren vaak minder interpreteerbare resultaten op. Bovendien kunnen traditionele punt-schatters voor het ATE (bijvoorbeeld dubbel-robuste schatters) een slechte prestatie in eindige steekproeven vertonen, een oneindige variantie hebben of niet-normale steekproefverdelingen opleveren wanneer overlap wordt geschonden.

Methodologie
De auteurs stellen een nieuwe aanpak voor om grenzen zonder overlap af te leiden: gedeeltelijke identificatiegrenzen voor het ATE die geen overlap-assumptie vereisen, mits de uitkomstvariabele begrensd is (bijvoorbeeld $Y \in [0, 1]$ ).

Identificatie via Propensiteitscore-drempelwaarde:
De populatie wordt opgedeeld in twee subpopulaties op basis van een propensiteitscore-drempelwaarde $c \in [0, 0.5]$ :
- Overlap-subpopulatie: Eenheden waarbij $\pi(X) > c$ en $\pi(X) < 1-c$ . Hier is het behandelings-effect punt-identificeerbaar onder standaardaannames.
- Subpopulatie zonder overlap: Eenheden waarbij $\pi(X) \le c$ of $\pi(X) \ge 1-c$ . Hier is het behandelings-effect niet identificeerbaar.
De auteurs leiden grenzen af door de punt-schatting van het effect in het overlapgebied te combineren met worst-case grenzen voor het gebied zonder overlap. Specifiek trekt de ondergrens $L(c)$ de waarschijnlijkheidsmassa van de hoge-propensiteit-groep zonder overlap af, en voegt de bovengrens $U(c)$ de waarschijnlijkheidsmassa van de lage-propensiteit-groep zonder overlap toe. De breedte van deze grenzen (de "identificatiekloof") is evenredig met de omvang van de subpopulatie zonder overlap.
Vlotte Benaderingen:
De afgeleide grenzen zijn niet-vlotte functionalen vanwege het gebruik van indicatorfuncties, wat uitdagingen oplevert voor schatting en inferentie onder niet-parametrische aannames. Om dit aan te pakken, construeren de auteurs vlotte benaderingen ( $s_\ell$ en $s_g$ ) van de indicatorfuncties. Deze benaderingen zijn ontworpen om specifieke eigenschappen te voldoen (het ondergrenzen van de indicatorfuncties) om ervoor te zorgen dat de resulterende vlotte grenzen nog steeds het ware ATE bevatten. Dit maakt het gebruik van semiparametrische efficiëntietheorie mogelijk.
Schatting en Inferentie (TMLE):
De auteurs stellen een Targeted Minimum Loss-Based Estimator (TMLE) voor de vlotte grenzen voor. Door de Efficiënte Invloedfunctie (EIF) voor deze vlotte functionalen af te leiden, construeren ze schatters die $\sqrt{n}$ -consistent en asymptotisch normaal zijn onder niet-parametrische voorwaarden, mits de storende parameters (propensiteitscore en regressie van de uitkomst) met voldoende snelheid ( $n^{-1/4}$ ) worden geschat.
Uniforme Inferentie via Multiplier Bootstrap:
Aangezien de optimale drempelwaarde $c$ en de gladmakende parameter $\gamma$ onbekend zijn, ontwikkelen de auteurs een multiplier bootstrap-procedure. Deze methode bouwt uniforme betrouwbaarheidssets op over een rooster van $(c, \gamma)$ -combinaties. Onderzoekers kunnen vervolgens het smalste geldige interval van dit rooster rapporteren, waarbij ze de afweging balanceren tussen de identificatiekloof (kleinere $c$ ) en schattingsonzekerheid/gladmakingsfout (grotere $c$ of $\gamma$ ).

Belangrijkste Bijdragen
Het artikel levert drie primaire bijdragen:

Identificatie: Afleiding van gedeeltelijke identificatiegrenzen voor het ATE die uitsluitend berusten op consistentie, conditionele uitwisselbaarheid en begrensdheid van de uitkomst, waarbij de overlap-assumptie expliciet wordt versoepeld.
Schatting en Inferentie: Ontwikkeling van schatters met een $\sqrt{n}$ -snelheid (TMLE) en een multiplier bootstrap-procedure die uniforme geldige betrouwbaarheidssets oplevert over een reeks drempelwaarden en gladmakende parameters. Dit maakt geldige inferentie mogelijk, zelfs wanneer de subpopulatie zonder overlap klein is.
Theoretische en Empirische Vergelijking: Een formele vergelijking van grenzen zonder overlap met traditionele punt-schatters over verschillende overlap-regimes (sterke, enigszins zwakke en zeer zwakke overlap).

Resultaten

Theoretische Bevindingen:
- Onder sterke overlap zijn de betrouwbaarheidsintervallen zonder overlap asymptotisch equivalent aan die van traditionele punt-schatters.
- Onder zeer zwakke overlap (waarbij de efficiëntiegrens voor het ATE oneindig is en $\sqrt{n}$ -schatting onmogelijk is voor punt-schatters), blijven de grenzen zonder overlap schatbaar met $\sqrt{n}$ -snelheden met geldige betrouwbaarheidsintervallen.
- Onder enigszins zwakke overlap (eindige maar grote efficiëntiegrens) kunnen de grenzen zonder overlap in eindige steekproeven kortere betrouwbaarheidsintervallen opleveren dan punt-schatters, met name nabij de fase-overgang waar de overlap marginaal is.
Simulatiestudies:
- In scenario's met extreme praktische overlap-schendingen vertoonden grenzen zonder overlap een hogere statistische power, kortere onzekerheidsbreedtes en een betere empirische dekking in vergelijking met dubbel-robuste punt-schatters, die vaak oninformatieve intervallen opleverden die het hele parameterruimte besloegen.
- In "gemiddelde"-scenario's zonder extreme schendingen bleven de grenzen zonder overlap concurrerend, waarbij ze vaak smalere intervallen bereikten dan traditionele methoden.
Toepassing in de Wereld:
- De methode werd toegepast op zes observationele datasets, waaronder de Right Heart Catheterization (RHC)-studie. In de RHC-dataset, waar traditionele punt-schatters door overlap-schendingen oninformatieve intervallen opleverden, leverden de grenzen zonder overlap een strak, informatief interval op ($-0.10, -0.03$) dat nul uitsloot, wat wijst op een significant behandelings-effect.

Betekenis
De auteurs beweren dat dit werk een "no-regret"-oplossing biedt voor ATE-schatting in aanwezigheid van overlap-schendingen. In tegenstelling tot alternatieve benaderingen die de doel-schattingsgrootheid veranderen (bijvoorbeeld trimmen naar een overlap-populatie), behoudt deze methode het ATE als het primaire onderzoeksobject. Het biedt geldige statistische inferentie, zelfs wanneer het ATE niet punt-identificeerbaar is, zonder a priori kennis van de overlap-populatie te vereisen. De aanpak is bijzonder waardevol in real-world situaties waar overlap-schendingen vaak beperkt zijn tot kleine subpopulaties, waardoor onderzoekers strakke, geldige grenzen kunnen rapporteren die het signaal uit het overlapgebied benutten terwijl ze rekening houden met de onzekerheid in het gebied zonder overlap. Het artikel benadrukt dat hoewel er een afweging is tussen de identificatiekloof en schattingsvariantie, het voorgestelde kader voor uniforme inferentie onderzoekers in staat stelt deze afweging optimaal te navigeren.