Technische Samenvatting: Een Raamwerk voor Gevoeligheidsanalyse bij Causale Inferentie onder Interferentie

1. Probleemstelling

In causale inferentie stelt de assumptie van geen interferentie (de Stable Unit Treatment Value Assumption, of SUTVA) dat de uitkomst van een eenheid uitsluitend afhangt van de eigen behandeling van die eenheid. Echter, in veel toepassingen, zoals bij infectieziektestudies, kan de behandeling die door één eenheid wordt ontvangen de uitkomst van een andere eenheid beïnvloeden, een fenomeen dat bekend staat als interferentie of spillover-effecten. Het negeren van interferentie leidt tot systematische bias die niet kan worden verminderd door de steekproefomvang te vergroten.

Bestaande literatuur over interferentie gaat vaak uit van de aanname dat alle relevante confounders geobserveerd zijn en dat de onderzochte populatie representatief is voor de doelpopulatie. In de praktijk worden professionals echter vaak geconfronteerd met drie gelijktijdige uitdagingen:

1. Genegeerde Interferentie: Het niet corrigeren voor spillover-effecten.
2. Niet-gemeten Confounding: De aanwezigheid van niet-geobserveerde variabelen die zowel de behandeling als de uitkomst beïnvloeden.
3. Gebrek aan Transporteerbaarheid: Het onvermogen om causale bevindingen van een referentiepopulatie te generaliseren naar een doelpopulatie vanwege verschillen in covariatenverdelingen of behandelmechanismen.

Huidige raamwerken voor gevoligheidsanalyse behandelen deze problemen doorgaans geïsoleerd. Zo ontwikkelden VanderWeele et al. (2015) bijvoorbeeld een raamwerk voor niet-gemeten confounding onder interferentie, maar dit houdt geen rekening met genegeerde interferentie of transporteerbaarheid. Evenzo bespreken Forastiere et al. (2021) bias door deze factoren, maar ontbreekt een gestructureerde gevoligheidsanalyse-aanpak met interpreteerbare parameters voor de praktijk. Dit artikel adresseert het gat door een verenigd raamwerk voor te stellen om de systematische bias te beoordelen die voortvloeit uit de combinatie van deze drie complexiteiten.

2. Methodologie

2.1 Raamwerk en Assumpties

De auteurs hanteren het potential outcomes-raamwerk onder buurtinterferentie (neighborhood interference). Zij introduceren een Outcome Exposure Mapping (Assumptie 1), waarbij een scalaire functie $g_i(\mathbf{A}_{N_i})$ de behandelingen van de buren van een eenheid samenvat, wat de dimensionaliteit van de potentiële uitkomsten reduceert. De geobserveerde uitkomst $Y$ is via een consistentie-assumptie (Assumptie 2) gekoppeld aan de potentiële uitkomsten.

Om niet-gemeten confounding en transporteerbaarheid te behandelen, versoepelen de auteurs de standaard identificatie-assumpties:

• Zwakke Conditionele Uitwisselbaarheid (Assumptie 5): Staat toe dat er ongeobserveerde confounders ($U$) zijn, maar gaat uit van conditionele onafhankelijkheid gegeven geobserveerde covariaten ($X$) en ongeobserveerde confounders. Cruciaal is dat hierbij geconditioneerd moet worden op gemeenschappelijke oorzaken van persoonlijke behandeling ($A$) en buurtbehandeling ($G$), evenals op gemeenschappelijke oorzaken van $A$ en de populatie-indicator ($S$).
• Conditionele Onscheidbaarheid van Steekproeftrekking (Assumptie 7): Staat ongeobserveerde verschillen toe tussen de referentiepopulatie ($S=1$) en de doelpopulatie ($S=2$), mits de steekproeftrekking, geconditioneerd op $G$ en specifieke covariaten, onscheidbaar (ignorable) is.

2.2 Bias Decompositie via Wegingsfouten

De kernmethodologie bestaat uit het vergelijken van een "naïeve" estimator (die genegeerde interferentie, niet-gemeten confounding en transporteerbaarheidsproblemen negeert) met de ware identificatieformules die zijn afgeleid onder de versoepelde assumpties. De auteurs definiëren twee soorten wegingsfouten:

1. Multiplicatieve Fout in Gewichten (MEW, $\varepsilon_a$): De ratio van de ware propensity score (geconditioneerd op alle relevante $X$ en $U$) tot de pseudo-propensity score (geconditioneerd op enkel geobserveerde $X_{AY}$). Dit vangt de bias op van genegeerde interferentie en niet-gemeten confounding.
2. Differentie-fout in Gewichten (DEW, $\tilde{\varepsilon}_S$): Een term die de verschil tussen de naïeve steekproefweging (1) en de ware steekproefweging die nodig is voor transporteerbaarheid vertegenwoordigt. Dit vangt de bias op van een gebrek aan transporteerbaarheid.

2.3 Gevoeligheidsparameters

De bias wordt gedecomponeerd in een som van covariantie-termen, die elk worden uitgedrukt als het product van een correlatiecoëfficiënt en twee standaarddeviaties. Deze componenten dienen als gevoeligheidsparameters die professionals kunnen specificeren op basis van domeinkennis:

• Voor Interferentie/Confounding (Termen T1 & T2):
  • $\sigma_{Y(a,0)}$: Standaarddeviatie van de baseline potentiële uitkomsten.
  • $\sigma_{\varepsilon_a}$: Variabiliteit van de MEW-scores (weerspiegeling van de sterkte van genegeerde confounding/interferentie).
  • $\rho_{Y(a,0), \varepsilon_a}$: Correlatie tussen baseline uitkomsten en wegingsfouten.
  • $\sigma_{\gamma(a)}$: Variabiliteit van natuurlijke individuele spillover-effecten.
  • $\rho_{\gamma(a), \varepsilon_a}$: Correlatie tussen spillover-effecten en wegingsfouten.
• Voor Transporteerbaarheid (Termen T3 & T4):
  • $\sigma_{\tau(0)}$: Variabiliteit van gecontroleerde individuele hoofdeffecten.
  • $\sigma_{\tilde{\varepsilon}_S}$: Variabiliteit van de DEW-scores.
  • $\rho_{\tau(0), \tilde{\varepsilon}_S}$: Correlatie tussen directe effecten en steekproefwegingen.
  • $\sigma_{\gamma(1)-\gamma(0)}$: Variabiliteit van het verschil in spillover-effecten.
  • $\rho_{\gamma(1)-\gamma(0), \tilde{\varepsilon}_S}$: Correlatie tussen spillover-verschillen en steekproefwegingen.

De auteurs bieden richtlijnen voor het begrenzen van deze parameters (bijv. het gebruik van de ongelijkheid van Popoviciu voor uitkomstgrenzen of de ongelijkheid van Bhatia-Davis voor gewichtsgrenzen) en suggereren om de correlatiesignen zo te kiezen dat de bias wordt gemaximaliseerd voor scenario's met het slechtste geval (worst-case scenarios).

2.4 Extensie naar Ongedefinieerde Potentiële Uitkomsten

Het artikel breidt het raamwerk uit naar situaties waarin potentiële uitkomsten ongedefinieerd zijn voor eenheden met onvoldoende buren (bijv. een eenheid met 0 buren kan geen buurtbehandeling van 2 ervaren). Door een variabele $N$ te introduceren voor het aantal buren en de analyse te conditioneren op $N$, leiden de auteurs identificatieformules en bias-decompositieën (Theorem 3) af die geldig blijven, zelfs wanneer het domein van de exposure mapping per eenheid varieert.

3. Belangrijkste Resultaten

• Theorem 1 (Bias Decompositie voor $\phi_1$): De bias van een naïeve estimator voor de natuurlijke gemiddelde behandelingseffect in de referentiepopulatie wordt gedecomponeerd in twee delen:
  • T1: Covariantie tussen MEW-scores en baseline potentiële uitkomsten (gedreven door niet-gemeten confounding en het baseline niveau van interferentie).
  • T2: Covariantie tussen MEW-scores en natuurlijke spillover-effecten. Deze term benadrukt dat zelfs als gemeenschappelijke oorzaken van $A$ en $G$ afwezig zijn, niet-gemeten confounding nog steeds bias kan induceren als het correleert met de heterogeniteit van spillover-effecten.
• Theorem 2 (Bias Decompositie voor $\phi_2$): De bias voor het getransporteerde natuurlijke gemiddelde behandelingseffect is de som van de bias voor $\phi_1$ plus twee aanvullende termen:
  • T3: Covariantie tussen DEW-scores en gecontroleerde directe effecten.
  • T4: Covariantie tussen DEW-scores en het verschil in spillover-effecten tussen de behandelarmen.
• Corollaria: Het artikel demonstreert dat als de marginale distributie van de buurtbehandeling ($G$) identiek is tussen populaties, de transporteerbaarheidsbias verdwijnt. Het laat ook zien dat in de afwezigheid van interferentie, het raamwerk reduceert tot bestaande methoden voor gevoligheidsanalyse bij transporteerbaarheid (bijv. Huang, 2024).
• Theorem 3: Breidt de bias-decompositie uit naar scenario's met ongedefinieerde potentiële uitkomsten, waarbij wordt aangetoond dat de structuur van de bias vergelijkbaar blijft maar vereist dat er geconditioneerd wordt op het aantal buren.

4. Betekenis en Bijdragen

Het artikel beweert het eerste te zijn dat een omvattend raamwerk voor gevoligheidsanalyse ontwikkelt dat tegelijkertijd rekening houdt met genegeerde interferentie, niet-gemeten confounding en een gebrek aan transporteerbaarheid.

• Nieuwigheid: In tegenstelling tot eerdere werken die deze problemen apart behandelen of sterke aannames vereisen over het proces dat de uitkomst genereert of de distributie van niet-gemeten confounders, vertrouwt dit raamwerk op een op wegings gebaseerde bias-decompositie die robuust is tegen diverse datacomplexiteiten.
• Praktisch Nut: Door de bias te parametriseren via gemakkelijk interpreteerbare gevoeligheidsparameters (correlaties en standaarddeviaties), stelt het raamwerk professionals in staat om te evalueren hoe robuust hun bevindingen zijn tegen schendingen van standaard aannames. Het stelt onderzoekers in staat om de sterkte van de interferentie of confounding te peilen die nodig is om hun conclusies te wijzigen.
• Generalisatie: De methodologie generaliseert eerdere op wegings gebaseerde resultaten (bijv. Shen et al., 2011; Hong et al., 2021) en breidt deze uit naar de complexe setting van interferentie en transporteerbaarheid.
• Omgaan met Ongedefinieerde Uitkomsten: De extensie naar ongedefinieerde potentiële uitkomsten adresseert een kritiek theoretisch gat in de interferentieliteratuur, waarbij wordt erkend dat niet alle potentiële uitkomsten voor elke eenheid wel gedefinieerd zijn.

Samenvattend biedt het artikel een gestructureerde, flexibele en theoretisch gefundeerde aanpak voor professionals om de systematische bias in causale schattingen te beoordelen wanneer interferentie, niet-gemeten confounding en transporteerbaarheidsproblemen aanwezig zijn maar ongeobserveerd of niet-gecorrigeerd in de data.