📊 statistics

Correcting for Nonignorable Nonresponse Bias in Ordinal Observational Survey Data

Dit artikel introduceert een maximum likelihood-schatter die het framework van variabele respons-propensiteit uitbreidt naar ordinale uitkomsten, waarbij response-propensity proxies worden gebruikt om niet-verwaarloosbare non-responsbias in politieke enquêtes te corrigeren, terwijl observeerbare covariaten en populatiegewichten worden geïntegreerd.

Oorspronkelijke auteurs: Lukáš Lafférs, Jozef Michal Mintal, Ivan Sutóris

Gepubliceerd 2026-08-11

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Lukáš Lafférs, Jozef Michal Mintal, Ivan Sutóris

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 Enquête-mysterie: Wanneer de Mensen die Niet Verschijnen het Belangrijkst Zijn

Stel je voor dat je probeert de gemiddelde lengte van iedereen in je stad te raden. Je staat op het stadsplein en vraagt aan mensen die langslopen: "Hoe lang ben je?" De meeste mensen die stoppen om te antwoorden, hebben een gemiddelde lengte. Maar de zeer lange mensen zijn te druk met reiken naar de bovenste plank, en de zeer kleine mensen verstoppen zich onder paraplu's. Als je alleen de mensen telt die stopten om te praten, zal je schatting fout zijn. Dit is het probleem van non-respons bias (niet-respons-bias) in enquêtes. In de wereld van de politieke wetenschappen en sociaal onderzoek vertrouwen wetenschappers op enquêtes om te begrijpen wat mensen denken over alles, van de economie tot hun geluk. Maar nu steeds meer mensen telefoontjes van enquêtes negeren of online formulieren overslaan, maken onderzoekers zich zorgen dat de mensen die wel antwoorden anders zijn dan de mensen die dat niet doen.

Meestal proberen wetenschappers dit op te lossen door de antwoorden te "wegen". Als er minder jonge mensen in de enquête zitten dan in de echte wereld, tellen ze de antwoorden van de jonge mensen simpelweg zwaarder mee om de balans te herstellen. Dit werkt geweldig als het enige verschil tussen de praters en de stille menigte hun leeftijd of geslacht is. Maar wat als de stilte zelf de aanwijzing is? Wat als de mensen die weigeren te antwoorden specifiek stil zijn omdat ze ongelukkig, boos of ontevreden zijn? Dit wordt nonignorable nonresponse (niet-negeerbare niet-respons) genoemd. Het is alsoast de stille mensen op het stadsplein niet alleen druk zijn; ze verstoppen zich omdat ze zich schamen voor hun lengte. Als je niet rekening houdt met waarom ze zich verstoppen, zal je wiskunde niet kloppen, ongeacht hoeveel jonge mensen je probeert mee te tellen. Dit is de ingewikkelde puzzel die het artikel van Lafférs, Mintal en Sutóris probeert op te lossen.

Het Papier: De Stille Menigte Vangen met een "Coöperatiemeter"

De auteurs van dit artikel, gepubliceerd in 2026, hebben een nieuw wiskundig hulpmiddel gebouwd om enquêtes te corrigeren waarbij de mensen die niet antwoorden anders zijn van degenen die dat wel, specifiek wanneer de antwoorden op een schaal gebaseerd zijn (zoals "Zeer Gelukkig" tot "Zeer Ongelukkig") in plaats van alleen "Ja" of "Nee".

Denk aan een standaardenquête als een spelletje "Raad de Score". Normaal gesproken, als iemand niet komt opdagen bij het spel, negeert de scheidsrechter hen gewoon. Maar dit artikel suggereert dat de scheidsrechter naar een "Coöperatiemeter" kan kijken om te raden wat de ontbrekende spelers zouden hebben gescoord. In hun methode gebruiken ze een vraag die na het interview wordt gesteld, zoals "Hoeveel heeft u genoten van dit gesprek?" of "Hoe coöperatief was u?". Dit is een response-propensity proxy (een indicator voor de bereidheid tot respons). Het is een aanwijzing die de mensen die wel praatten hebben achtergelaten.

De auteurs realiseerden zich dat als mensen die de interview haatten (lage coöperatie) ook de neiging hadden om lage scores te geven op levensvoldoening, de mensen die helemaal niet aan de enquête deelnamen (nul coöperatie) waarschijnlijk nog lagere scores zouden hebben gegeven. Ze creëerden een formule die deze punten verbindt. Het is alsof je kijkt naar een rij mensen die wachten op een ritje. Als de mensen vooraan de rij (die van het ritje hielden) glimlachen, en de mensen achteraan (die het ritje nauwelijks verdroegen) fronsen, dan kun je raden dat de mensen die nooit überhaupt in de rij verschenen, waarschijnlijk nog harder zaten te fronsen.

Wat Ze Vonden: Niet Alle Enquêtes Hebben een Redding Nodig

Het team testte hun nieuwe instrument met behulp van gegevens uit de 2024 American National Election Studies (ANES), een enorme enquête onder ongeveer 3.000 mensen. Ze simuleerden een scenario waarin ongeveer 65% van de mensen de enquête niet beantwoordde (een zeer realistisch aantal voor moderne enquêtes). Ze gebruikten vervolgens hun "Coöperatiemeter"-methode om te raden wat de stille 65% zou hebben gezegd.

De resultaten waren een mix van "Wauw, dat veranderde alles" en "Hm, niet zo veel".

De Grote Verschuiving (Levensvoldoening): Toen ze keken naar hoe tevreden mensen waren met hun leven, maakte de correctie een enorm verschil. De ongecorrigeerde enquête suggereerde dat de meeste mensen "Zeer" of "Extreem" tevreden waren. Maar nadat de auteurs rekening hielden met de stille, ongelukkige menigte, veranderde het beeld. De gecorrigeerde gegevens lieten zien dat een veel groter deel van de bevolking eigenlijk "Iets tevreden" of "Niet tevreden" was. De wiskunde toonde een sterke link (een correlatie van ongeveer 0,47) tussen het haten van het interview en het ongelukkig zijn met het leven. Het bleek dat de mensen die te chagrijnig waren om te praten, degenen waren die de gemiddelde geluksscore omlaag haalden.
De Kleine Verschuiving (De Economie): Wanneer ze keken naar de vraag of mensen vonden dat de nationale economie het beter of slechter deed, bewoog de correctie de naald nauwelijks. De link tussen het haten van het interview en het vinden van de economie slecht was erg zwak (een correlatie van slechts 0,14). Of ze de stille menigte nu meenamen of niet, de enquêteresultaten bleven ongeveer hetzelfde.
De "Geen Verandering" Zone: Voor vragen over de doodstraf, abortus of het vertrouwen in de media, deed de correctie bijna niets. De stille menigte leek geen andere mening te hebben over deze onderwerpen dan de pratige menigte.

De Les: Eén Formule Past Niet Bij Iedereen

De belangrijkste les van dit artikel is dat het oplossen van enquête-bias geen toverstaf is die voor elke vraag werkt. De auteurs laten zien dat je elk onderwerp afzonderlijk moet controleren. Voor sommige zaken, zoals hoe mensen tevreden zijn met hun leven, zijn de mensen die weigeren te praten degenen die een heel andere realiteit verbergen, en het negeren van hen geeft een vals beeld. Voor andere zaken, zoals meningen over de economie of de doodstraf, lijken de mensen die praten en de mensen die dat niet doen ongeveer hetzelfde te denken.

De auteurs gokten dit niet alleen; ze draalden computersimulaties om te bewijzen dat hun wiskunde beter werkt dan oude methoden, en pasten het vervolgens toe op echte gegevens. Ze ontdekten dat hoewel hun nieuwe methode krachtig is, deze het meest nuttig is wanneer de "Coöperatiemeter" (zoals hoe iemand het interview vond) daadwerkelijk veel varieert en duidelijk signaleert wie bereid is om te praten. Als de meter niet beweegt, kan de methode niet raden wat de stille mensen denken.

Kortom, dit artikel geeft onderzoekers een nieuwe, praktische manier om achter het gordijn van de enquête-stilte te kijken. Het vertelt ons dat de mensen die "Geen commentaar" zeggen soms de belangrijkste stemmen van allemaal zijn, maar alleen als we weten hoe we naar de aanwijzingen moeten luisteren die zij hebben achtergelaten.

Technische Samenvatting: Corrigeren voor niet-verifieerbare non-respons bias in ordinale observationele enquêtegegevens

Probleemformulering
Enquêteonderzoek vertrouwt vaak op wegingstechnieken (bijv. post-stratificatie, raking) om respondenten af te stemmen op de demografie van de populatie. Deze methoden schieten echter tekort wanneer non-respons "niet-verifieerbaar" (nonignorable) is—dat wil zeggen, wanneer de waarschijnlijkheid van respons systematisch afhangt van de ongeobserveerde uitkomst zelf. In dergelijke gevallen introduceren standaard aanpassingen zelfs bias in basisbeschrijvende statistieken. Hoewel het door Peress (2010) voorgestelde Variable-Response-Propensity (VRP) framework dit voor binaire uitkomsten aanpakt door gebruik te maken van proxies voor de respons-propensiteit (bijv. door interviewers gecodeerde coöperativiteit) om te extrapoleren naar non-respondenten, is het niet geschikt voor ordinale uitkomsten. Veel kernmaten in de politieke wetenschap, zoals vertrouwen, tevredenheid en economische evaluaties, maken gebruik van ordinale schalen. Het reduceren hiervan tot binaire categorieën gaat informatie verloren en brengt het risico met zich mee dat substantiële conclusies worden gewijzigd, vooral als de selectiemechanismen variëren over de respons-schaal.

Methodologie
De auteurs generaliseren het VRP-framework om met ordinale uitkomsten ( $y_n \in \{1, \dots, Y\}$ ) om te gaan met behulp van een gecorreleerd latent-variabele ordinaal probit-model. De methode integreert drie kerncomponenten:

Uitkomstmodel: Een ordinaal probit-model waarbij de latente uitkomst $y^*_n$ een functie is van covariaten $x_n$ en een foutterm $\epsilon_n$ .
Responsmodel: Een ordinaal probit-model voor een respons-propensiteit-proxy $r_n$ (alleen geobserveerd voor respondenten), waarbij de latente respons $r^*_n$ een functie is van covariaten $z_n$ en een foutterm $\eta_n$ . De proxy is ordinaal gestructureerd waarbij lagere waarden wijzen op een hogere propensiteit om te reageren. Unit non-respons wordt gemodelleerd als een extra categorie ( $R+1$ ) in deze vergelijking.
Selectiemechanisme: Het model gaat uit van een gezamenlijke normale verdeling voor de fouttermen $(\epsilon_n, \eta_n)$ met eenheden-varianties en een correlatieparameter $\rho$ . Deze parameter $\rho$ vangt de niet-verifieerbare selectie op de ongeobserveerde uitkomst op na conditionering op de covariaten.

De log-likelihood functie wordt geconstrueerd om rekening te houden met de geobserveerde respondenten (waar zowel $y_n$ als $r_n$ bekend zijn) en de massa van de non-respondenten (bepaald door de bekende non-respons ratio en strata-populatieaandelen). De parameters $(\alpha, \beta, \lambda, \theta, \rho)$ worden geschat via maximum likelihood. Standaardfouten worden afgeleid via de delta-methode met een numerieke Jacobiaan.

Identificatie
De identificatie van de selectiecorrelatie $\rho$ berust op de systematische variatie in de distributie van de uitkomst $y_n$ over de categorieën van de proxy $r_n$ onder de respondenten. In tegenndstelling tot traditionele Heckman-selectiemodellen vereist deze benadering niet strikt een exclusie-restrictie (een variabele in $z_n$ die uitgesloten is van de uitkomstvergelijking), omdat de ordinaal-probit drempelstructuur, gecombineerd met de eenheden-variantie normalisatie, $\rho$ vastlegt. De auteurs merken echter op dat het opnemen van een predictor in de responsvergelijking die de respons-propensiteit beïnvloedt maar plausibel uitgesloten is van de uitkomst, de identificatie kan aanscherpen, met name bij extreme non-respons ratio's.

Empirische Resultaten
De methode wordt toegepast op de 2024 American National Election Study (ANES) Preliminary Release, waarbij een aanname van 65% non-respons wordt gehanteerd. De gebruikte respons-propensiteit-proxy is de zelfevaluatie van de respondent over het interview (7 niveaus). De covariaten omvatten burgerlijke staat, geslacht van de partner, ras en opleiding, wat 60 strata definieert.

De analyse laat zien dat de omvang van de correctie sterk uitkomstspecifiek is:

Levenstevredenheid: Er wordt een sterke niet-verifieerbare non-respons bias gedetecteerd ( $\hat{\rho} \approx 0,47$ ). Het corrigeren hiervoor verschuift de geschatte populatiedistributie aanzienlijk, waarbij een groter deel wordt toegewezen aan de categorieën "Iets tevreden" of "Niet helemaal tevreden" vergeleken met ongecorrigeerde schattingen. Dit komt overeen met eerdere bevindingen dat welzijnsgegevens gevoelig zijn voor de moeilijkheidsgraad van de respondent.
Retrospectieve Economische Evaluaties: De bias is bescheiden ( $\hat{\rho} \approx 0,14$ ), wat resulteert in slechts kleine verschuivingen in de distributie richting "verslechterd".
Andere Uitkomsten: Voor maten zoals mediagebruik, belang van abortus en de doodstraf is de geschatte $\rho$ statistisch niet te onderscheiden van nul, en de gecorrigeerde distributies komen bijna overeen met de survey-gewogen ongecorrigeerde distributies.

De auteurs bieden een R-routine aan voor de implementatie van deze estimator, die zowel ordinale als binaire uitkomsten afhandelt en efficiënt draait op standaard hardware (ongeveer 10 minuten voor de volledige ANES-schatting).

Betekenis en Claims
Het artikel claimt een praktische, computationeel lichte tool te bieden voor sensitiviteitsbewuste beschrijvende inferentie in observationele enquêtes. De belangrijkste bijdragen zijn:

Generalisatie: De uitbreiding van het VRP-framework van binaire naar ordinale uitkomsten, waardoor de inherente informatie van multi-categorie schalen behouden blijft.
Praktische bruikbaarheid: Het aanbieden van een maximum likelihood-estimator die respons-propensiteit-proxies en post-stratificatie integreert zonder dat daarvoor gerandomiseerde instrumenten of meerfasige callback-designs nodig zijn.
Empirische Nuance: Het aantonen dat de waarde van het corrigeren voor niet-verifieerbare non-respons niet uniform is; het is substantieel betekenisvol voor specifieke attitude-maten (zoals levenstevredenheid), maar verwaarloosbaar voor andere.

De auteurs nemen een bescheiden standpunt in door te erkennen dat de conclusies afhangen van de veronderstelde latente structuur en de geloofwaardigheid van de respons-propensiteit-proxy. Zij positioneren de methode niet als een definitieve correctie, maar als een transparant mechanisme om de extrapolatie van respondenten naar non-respondenten expliciet te maken, waardoor onderzoekers de sensitiviteit van hun enquête-schattingen voor niet-verifieerbare selectie kunnen beoordelen.

Het Grote Enquête-mysterie: Wanneer de Mensen die Niet Verschijnen het Belangrijkst Zijn

Het Papier: De Stille Menigte Vangen met een "Coöperatiemeter"

Wat Ze Vonden: Niet Alle Enquêtes Hebben een Redding Nodig

De Les: Eén Formule Past Niet Bij Iedereen

Meer zoals dit