📊 statistics

Identification and estimation of the conditional average treatment effect with nonignorable missing covariates, treatment, and outcome

Dit artikel biedt een niet-parametrische identificatie en schattingsmethoden voor het conditionele gemiddelde behandelingseffect (CATE) in observatiestudies waarbij covariaten, behandeling en uitkomsten niet willekeurig ontbreken, en stelt tevens een gevoeligheidsanalysekader voor om de robuustheid van deze resultaten te beoordelen.

Oorspronkelijke auteurs: Shuozhi Zuo, Yixin Wang, Fan Yang

Gepubliceerd 2026-02-24

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Shuozhi Zuo, Yixin Wang, Fan Yang

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 detective bent die probeert uit te vinden of een nieuwe medicijn (of een nieuw onderwijsprogramma) echt werkt. Je wilt niet alleen weten of het gemiddeld werkt, maar ook voor wie het werkt. Misschien helpt het jongeren, maar niet ouderen? Of misschien werkt het alleen voor mensen met een bepaalde achtergrond?

In de wetenschap noemen ze dit het CATE: het Conditioneel Gemiddeld Behandelings-effect. Het is het antwoord op de vraag: "Wat is het effect voor jou, gezien jouw specifieke situatie?"

Het probleem is echter dat in het echte leven (bijvoorbeeld in enquêtes of medische dossiers) data vaak ontbreekt. Mensen vergeten hun inkomen op te geven, of ze willen niet zeggen of ze een strafblad hebben. En hier komt de echte valkuil: vaak is de reden dat iets ontbreekt, precies wat het ontbrekende getal is.

Het Probleem: De "Stille" Getuige

Stel je voor dat je een enquête doet over inkomen.

Mensen met een laag inkomen vinden het misschien gênant en zeggen: "Ik wil dat niet zeggen."
Mensen met een hoog inkomen vinden het misschien ook gênant (of willen geen aandacht trekken) en zeggen: "Ik wil dat niet zeggen."

In de statistiek noemen we dit MNAR (Missing Not At Random). De data is niet willekeurig weg; ze is "weg" omdat ze iets te verbergen hebben.

Als je gewoon de mensen negeert die niets hebben ingevuld (een methode die "Complete Case Analysis" heet), krijg je een vertekend beeld. Je denkt misschien dat het medicijn werkt, terwijl het eigenlijk alleen werkt voor de mensen die hun inkomen wel durfden op te geven. De standaardmethodes van de afgelopen decennia faalden hier vaak op, omdat ze aannamen dat de ontbrekende data willekeurig was.

De Oplossing: Een Nieuw Spelregelsysteem

De auteurs van dit paper (Shuozhi Zuo, Yixin Wang en Fan Yang) hebben een nieuwe manier bedacht om toch het juiste antwoord te vinden, zelfs als de data "stiekem" is.

Ze gebruiken een slimme analogie: De Schaduw.

Stel je voor dat je probeert te raden wat er in een gesloten doos zit (de ontbrekende data), maar je mag de doos niet openmaken. Je hebt echter een schaduw die op de doos valt. Als je weet hoe de schaduw eruitziet, kun je afleiden wat er in de doos zit, zelfs zonder hem te zien.

In hun wiskundige model gebruiken ze variabelen als "schaduwen":

Behandeling als schaduw: Als je weet dat iemand een behandeling heeft gekregen, en je ziet dat de uitkomst (bijv. inkomen) vaak ontbreekt, kun je misschien afleiden waarom het ontbreekt.
Covariaten als schaduw: Als je weet dat iemand een bepaald ras of geslacht heeft, en dit beïnvloedt de kans dat ze hun inkomen opgeven, kun je dit gebruiken om de ontbrekende stukjes op te lossen.

Ze hebben drie scenario's bedacht (Assumpties 1, 2 en 3) waarin ze aannemen dat er één specifieke weg is waarop de uitkomst (bijv. inkomen) niet direct invloed heeft op het feit dat het ontbreekt.

Voorbeeld: "Het inkomen zelf bepaalt niet of het wordt opgegeven, maar het geslacht van de persoon doet dat wel."
Zolang ze deze ene regel kunnen aannemen, kunnen ze met wiskunde (die ze "compleetheid" noemen) de rest van het plaatje reconstrueren.

De Twee Detectives: De Flexibele en de Stabiele

Om dit in de praktijk toe te passen, hebben ze twee methoden ontwikkeld:

De Flexibele Detective (Niet-parametrisch): Deze methode maakt geen aannames over hoe de data eruit ziet. Ze probeert het patroon direct uit de getallen te halen.
- Voordeel: Ze is heel slim en past zich aan.
- Nadeel: Ze is soms onstabiel en kan "nervous" worden als de data niet perfect is. Het is alsof je probeert een tekening te maken met een trillende hand; het kan prachtig zijn, maar ook snel mislukken.
De Stabiele Detective (Parametrisch): Deze methode maakt een paar aannames over hoe de wereld werkt (bijv. "inkomen volgt een bepaalde curve").
- Voordeel: Ze is heel stabiel en betrouwbaar, zelfs met minder data.
- Nadeel: Als je aannames fout zijn, is het antwoord ook fout. Maar als je aannames goed zijn, is het antwoord heel scherp.

De Proef in het Echte Leven: Het Job Corps

Ze hebben hun methode getest op een echte dataset: het National Job Corps Study (een Amerikaans programma om jongeren te helpen met werk en opleiding).

De vraag: Werkt het behalen van een diploma (de behandeling) voor iedereen even goed voor hun toekomstige salaris?
Het probleem: Veel mensen gaven geen antwoord op vragen over hun strafblad, hun vorige salaris of of ze een diploma hadden. En waarschijnlijk gaven ze juist geen antwoord omdat hun salaris laag was of ze een strafblad hadden.

Met hun nieuwe methode konden ze bewijzen: Ja, het diploma helpt echt om meer te verdienen, zelfs rekening houdend met de mensen die hun data verstopten.

De "Wat-als" Test (Sensitiviteitsanalyse)

Omdat je nooit 100% zeker weet of je aannames kloppen, hebben ze een Sensitiviteitsanalyse toegevoegd.
Stel je voor dat je een brug bouwt. Je bouwt hem voor een bepaald gewicht. Maar wat als er een zware vrachtwagen over komt?
Ze hebben hun model getest met "extra gewicht" (ze hebben de regels een beetje veranderd om te zien wat er gebeurt als hun aannames niet helemaal kloppen).

Resultaat: Zelfs als ze de regels een beetje veranderden, bleef het antwoord hetzelfde: het diploma helpt. De brug is stevig genoeg.

Conclusie in Eenvoudige Woorden

Dit paper zegt eigenlijk:
"Je hoeft niet bang te zijn dat ontbrekende data je onderzoek onmogelijk maakt, zelfs niet als mensen bewust hun data verbergen. Als je slimme 'schaduwen' (zoals geslacht of behandeling) gebruikt en je accepteert dat er één kleine regel is die niet wordt geschonden, kun je toch het juiste antwoord vinden voor elke individuele persoon. En we hebben bewezen dat dit werkt, zelfs als je aannames niet perfect zijn."

Het is een nieuwe, krachtige manier om eerlijk te zijn over wat we niet weten, en toch slimme conclusies te trekken over wat we wel weten.

Titel en Context

Het artikel onderzoekt de identificatie en schatting van het Conditioneel Gemiddeld Treatment Effect (CATE) in observationele studies waarbij covariaten, behandeling en uitkomsten niet willekeurig ontbreken (MNAR: Missing Not At Random). De auteurs (Zuo, Wang en Yang) adresseren een kritieke beperking in bestaande literatuur: de meeste methoden gaan uit van willekeurige ontbrekende data (MAR) of richten zich op het gemiddelde treatment effect (ATE), terwijl ze vaak falen bij complexe, multivariate MNAR-mechanismen.

1. Het Probleem

In observationele studies (zoals beleidsevaluaties of medische studies) zijn variabelen vaak slechts gedeeltelijk waargenomen.

MNAR Complexiteit: Wanneer de kans dat een waarde ontbreekt afhangt van de onwaargenomen waarde zelf (bijvoorbeeld: mensen met lage inkomens geven hun inkomen minder vaak op), spreken we van MNAR.
Multivariate Uitdaging: In veel realistische scenario's (zoals de National Job Corps Study) kunnen covariaten ( $X$ ), de behandeling ( $T$ ) én de uitkomst ( $Y$ ) allemaal ontbreken, en kan dit ontbreken van elkaar afhankelijk zijn.
Bias in Standaardmethoden: Standaard methoden zoals Complete Case Analysis (CCA), Multiple Imputation (MI) of Inverse Probability Weighting (IPW) leveren onder MNAR-bedingen doorgaans vertekende schattingen op, omdat ze sterke aannames over het ontbrekingsmechanisme maken die in de praktijk vaak niet gelden.
Identificeerbaarheid: Bestaande theorie suggereert dat onder algemene MNAR-mechanismen de volledige gezamenlijke verdeling van de data niet identificeerbaar is, wat betekent dat ook het ATE niet geschat kan worden zonder extra restricties.

2. Methodologie en Aannames

De auteurs ontwikkelen een raamwerk voor prospectieve studies waarbij $X$ en $T$ vóór $Y$ worden gemeten. Hierdoor kan $Y$ (en zijn ontbrekingsindicator $R_Y$ ) de ontbrekingsmechanismen van $X$ en $T$ niet beïnvloeden. Ze stellen drie specifieke MNAR-aannames voor die het CATE identificeerbaar maken, zelfs als de volledige gezamenlijke verdeling dat niet is:

Assumptie 1 (Geen zelf-censuur van de uitkomst): $R_Y$ is onafhankelijk van $Y$ gegeven $X, T$ en andere ontbrekingsindicatoren. Hierbij is CATE identificeerbaar via complete gevallen (CCA).
Assumptie 2 (Behandeling-onafhankelijkheid): $R_Y$ is onafhankelijk van $T$ gegeven $X, Y$ en andere indicatoren. Dit staat zelf-censuur van $Y$ toe. Identificatie vereist een compleetheidsvoorwaarde (completeness condition) waarbij $T$ fungeert als een "shadow variable" die geassocieerd is met $Y$ maar niet direct de ontbrekingskans beïnvloedt.
Assumptie 3 (Covariaten-onafhankelijkheid): $R_Y$ is onafhankelijk van $X$ gegeven $T, Y$ en andere indicatoren. Ook hier is een compleetheidsvoorwaarde nodig, waarbij een subset van covariaten ( $X_{id}$ ) fungeert als shadow variable.

Schattingsmethoden:
Om deze identificatie te operationaliseren, stellen de auteurs twee schatters voor:

Niet-parametrische Series 2SLS: Deze methode lost een Fredholm-integraalvergelijking op om de odds-ratio van het ontbreken te schatten. Dit gebeurt via een "sieve"-benadering (basisfuncties) en kwadratische regularisatie. Het is flexibel maar kan numeriek instabiel zijn.
Parametrische Maximum Likelihood (EM-algoritme): Deze methode gebruikt het Expectation-Maximization (EM) algoritme met fractionele imputatie. Het modelleert zowel de uitkomstverdeling als het ontbrekingsmechanisme parametrisch. Dit is stabieler maar vereist correcte modelspecificatie.

3. Belangrijkste Bijdragen

Identificatie onder MNAR: Het artikel bewijst dat het CATE identificeerbaar is onder drie specifieke, maar realistische MNAR-mechanismen, zelfs wanneer covariaten, behandeling en uitkomst allemaal ontbreken.
Verschil CATE vs. ATE: De auteurs tonen aan (via tegenvoorbeelden) dat het CATE identificeerbaar kan zijn onder zwakkere voorwaarden dan het ATE. Omdat CATE alleen afhangt van de conditionele verdeling $P(Y|T,X)$ , hoeft de gezamenlijke verdeling van $(X,T)$ niet volledig geïdentificeerd te worden.
Sensitiviteitsanalyse: Een raamwerk wordt ontwikkeld om de robuustheid van de resultaten te testen door de aannames systematisch te schenden via een enkele parameter ( $\delta$ ). Dit maakt het mogelijk om te kwantificeren hoeveel de schatting verandert als het ontbrekingsmechanisme iets afwijkt van de basisaanname.
Praktische Toepassing: De methoden worden toegepast op de National Job Corps Study (NJCS), een complexe dataset met significante ontbrekende waarden in gevoelige variabelen (zoals arrestatiegeschiedenis en inkomen).

4. Resultaten

Simulatiestudies:
- Onder Assumptie 1 levert CCA een onbevooroordeelde schatting op.
- Onder Assumpties 2 en 3 zijn standaard methoden (CCA, MI) sterk vertekend.
- De voorgestelde NP (niet-parametrisch) en Para (parametrisch) schatters leveren onbevooroordeelde resultaten, mits de compleetheidsvoorwaarde geldt.
- De parametrische schatter is stabieler en minder gevoelig voor tuning-parameters dan de niet-parametrische variant.
- Methoden die proberen de volledige gezamenlijke verdeling te modelleren (waarbij de ATE niet identificeerbaar is), leveren juist vertekende CATE-schattingen op.
Toepassing op NJCS:
- De studie evalueert het effect van het behalen van een diploma op het weekinkomen.
- Alle methoden (onder verschillende aannames) bevestigen een positief effect van het diploma op het inkomen.
- De Sensitiviteitsanalyse toont aan dat de conclusie (positief effect) robuust blijft over een breed scala aan afwijkingen van de MNAR-aannames (parameter $\delta \in [-2, 2]$ ).

5. Betekenis en Conclusie

Dit artikel is een belangrijke bijdrage aan de causal inference-literatuur omdat het een oplossing biedt voor een veelvoorkomend maar onderbelicht probleem: het schatten van heterogene treatment effects in de aanwezigheid van complexe, niet-willekeurige ontbrekende data.

Theoretisch: Het toont aan dat identificatie mogelijk is zonder de volledige data-generatie te herstellen, mits specifieke restricties op het ontbrekingsmechanisme van de uitkomst worden gesteld.
Praktisch: Het biedt onderzoekers een toolkit (inclusief software-implementatie) om gevoelige analyses uit te voeren in settings zoals epidemiologie en sociale wetenschappen, waar data vaak ontbreken vanwege de gevoeligheid van de variabelen.
Aanbeveling: De auteurs raden aan om de parametrische schatter als primaire analyse te gebruiken, vergezeld van een uitgebreide sensitiviteitsanalyse, terwijl de niet-parametrische schatter dient als robuustheidscheck.

Kortom, het werk verschuift de focus van "hoe herstellen we alle ontbrekende data?" naar "hoe kunnen we de specifieke causaliteit van belang (CATE) betrouwbaar schatten ondanks de beperkingen van de data?".