📊 statistics

Stress-Testing Assumptions: A Guide to Bayesian Sensitivity Analyses in Causal Inference

Dit artikel biedt een praktische handleiding voor het uitvoeren van Bayesiaanse gevoeligheidsanalyses in causale inferentie door vier voorbeelden te behandelen met een verenigde 'ontbrekende data'-benadering en implementatie in Stan, zodat onderzoekers deze methoden direct kunnen toepassen.

Oorspronkelijke auteurs: Arman Oganisian

Gepubliceerd 2026-03-02

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Arman Oganisian

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

Stress-testen van aannames: Een gids voor Bayesiaanse gevoeligheidsanalyses

Stel je voor dat je een kok bent die een nieuw recept wil testen. Je hebt geen perfecte keuken (geen gecontroleerde experimenten met willekeurige groepen), dus je moet kijken naar wat mensen al hebben gekookt in hun eigen huizen (observatiegegevens). Je wilt weten: "Is dit nieuwe ingrediënt (de behandeling) echt de reden dat de taart zo lekker is, of was het toeval?"

Het probleem is dat je niet alles ziet. Misschien hebben sommige mensen een geheim ingrediënt gebruikt dat je niet hebt genoteerd, of misschien is de smaaktest niet helemaal eerlijk uitgevoerd. In de statistiek noemen we dit verstorende factoren of fouten in metingen.

Dit artikel, geschreven door Arman Oganisian, is als een handleiding voor koks (onderzoekers) die willen weten: "Hoeveel moet mijn conclusie veranderen als ik aannem dat mijn metingen niet perfect waren?"

Hier is de uitleg in simpele taal, met een paar creatieve vergelijkingen.

1. Het Probleem: De "Onzichtbare Gast"

In de wetenschap maken we vaak aannames om tot conclusies te komen. Bijvoorbeeld: "We gaan ervan uit dat de mensen die het nieuwe medicijn kregen, op alle andere punten gelijk waren aan de mensen die het niet kregen."

Maar in het echte leven is dat zelden waar. Misschien waren de mensen die het medicijn kregen, ook gewoon gezonder of rijkder. Dit is de "onzichtbare gast" (een ongemeten verstorende factor). Als je deze gast negeert, denk je misschien dat het medicijn werkt, terwijl het eigenlijk de gezondheid van de rijke mensen was die de taart lekker maakte.

Traditionele methoden zeggen vaak: "We weten het niet, dus we doen alsof het niet bestaat."
De auteur zegt: "Nee, laten we eens kijken wat er gebeurt als die onzichtbare gast wél bestaat."

2. De Oplossing: De Bayesiaanse "Wat-als"-Machine

De auteur gebruikt een methode genaamd Bayesiaanse statistiek. Je kunt dit zien als een slimme, flexibele machine die niet alleen kijkt naar wat je weet, maar ook naar wat je denkt dat waar zou kunnen zijn.

Stel je voor dat je een detective bent. Je hebt een verdachte (het medicijn).

De oude manier: Je kijkt alleen naar de bewijzen die je hebt en trekt een conclusie.
De Bayesiaanse manier: Je zegt: "Oké, wat als de verdachte een onzichtbare handlanger heeft? Wat als de getuigen niet helemaal eerlijk waren? Wat als de camera een beetje wazig was?"

Je voert deze scenario's in als "aannames" (in het artikel: sensitivity parameters). De machine rekent dan uit: "Als de onzichtbare handlanger zo sterk was, ziet de conclusie er dan nog steeds hetzelfde uit?"

3. De Drie Grote "Wat-als" Scenario's

Het artikel geeft drie voorbeelden van hoe je dit doet, allemaal met dezelfde slimme aanpak:

A. De Wazige Camera (Verkeerde Informatie over de Behandeling)

Soms weten we niet precies wie welk medicijn heeft gekregen. Misschien staat er in het dossier "Medicijn A", maar had de patiënt eigenlijk "Medicijn B" genomen.

De analogie: Je kijkt door een wazige camera. Je ziet een schaduw, maar weet niet of het een kat of een hond is.
De test: De auteur vraagt de computer: "Wat als de camera 80% goed was? En wat als hij maar 50% goed was?"
Het resultaat: Als je conclusie (bijv. "het medicijn werkt") nog steeds geldt, zelfs als de camera heel wazig was, dan ben je gerust. Als je conclusie instort bij een klein beetje wazigheid, dan moet je voorzichtig zijn.

B. De Onzichtbare Gast (Onbekende Factoren)

Misschien is er een factor die je niet hebt gemeten, zoals stress of erfelijkheid, die zowel de keuze voor het medicijn als het resultaat beïnvloedt.

De analogie: Je ziet twee auto's die op hetzelfde moment crashen. Je denkt: "De ene bestuurder was slordig." Maar wat als er een onzichtbare ijslaag op de weg was die je niet zag?
De test: De auteur zegt: "Laten we aannemen dat die ijslaag bestond. Hoe sterk moet die ijslaag zijn voordat mijn conclusie (dat de bestuurder slordig was) onjuist wordt?"
Het resultaat: Dit heet een "tipping point" analyse. Het laat zien hoeveel "ijs" er nodig is om je verhaal te laten kantelen.

C. De Ontbrekende Getuigen (Ontbrekende Uitkomsten)

Soms weten we niet of een patiënt genezen is, omdat ze de studie hebben verlaten of hun gegevens kwijt zijn.

De analogie: Je doet een enquête over geluk. Mensen die ongelukkig zijn, vullen de enquête vaak niet in. Als je alleen kijkt naar de ingevulde formulieren, denk je dat iedereen gelukkig is.
De test: De auteur vraagt: "Wat als de mensen die niet hebben ingevuld, juist heel ongelukkig waren? Wat als ze juist heel gelukkig waren?"
Het resultaat: Je ziet hoe je conclusie verschuift afhankelijk van wat die "ontbrekende getuigen" zouden hebben gezegd.

4. De Tool: Stan (De Keukenrobot)

Om al deze berekeningen te doen, gebruiken de auteurs een gratis softwareprogramma genaamd Stan.

Vergelijking: Stan is als een superkrachtige keukenrobot die je kunt programmeren. Je geeft hem het recept (de wiskundige formules) en hij roert, mixt en berekent de uitkomsten voor je.
Het nieuwe hieraan: Vroeger was dit alleen voor wiskundige geniussen die hun eigen robots bouwden. De auteur laat zien hoe je dit kunt doen met standaard, gratis software, zodat elke onderzoeker het kan gebruiken.

5. De Leerkracht: Flexibiliteit en Eerlijkheid

Het artikel eindigt met een belangrijke boodschap: Eerlijkheid in wetenschap.
Het is niet genoeg om te zeggen: "Misschien is er een fout." Dat is saai. Je moet specifiek zijn: "Misschien is er een onzichtbare gast die de uitkomst met 20% beïnvloedt."

De Bayesiaanse methode stelt onderzoekers in staat om te zeggen: "Zie je? Zelfs als we aannemen dat er een grote onzichtbare gast is, blijft onze conclusie overeind. Onze taart is echt lekker, en niet alleen door het geheimzinnige ingrediënt."

Samenvattend

Dit artikel is een handleiding om je wetenschappelijke conclusies te stress-testen. Net zoals je een brug test door er zware vrachtwagens overheen te laten rijden om te zien of hij breekt, test je je statistische conclusies door er "slechte aannames" overheen te laten rijden.

Als de brug (je conclusie) blijft staan, zelfs als je aannames niet perfect zijn, dan heb je een sterke, betrouwbare ontdekking. De auteur laat je zien hoe je die zware vrachtwagens (de onzekerheden) in je computer kunt programmeren, zodat je nooit meer hoeft te twijfelen aan de stevigheid van je resultaten.

Probleemstelling

Observatiegegevens worden routinematig gebruikt om causale effecten van biomedische behandelingen te schatten. Dit vereist geavanceerde methoden om te corrigeren voor waargenomen verstorende factoren (confounding). Echter, alle causale inferentiemethoden rusten op niet-testbare aannames, zowel causaal (bijv. geen niet-gemeten verstorende factoren) als statistisch (bijv. meetfouten, ontbrekende data).
Wanneer deze aannames niet opgaan, kunnen de conclusies vertekend zijn. Hoewel frequentistische methoden voor gevoeligheidsanalyses (sensitivity analyses) bestaan, is de adoptie ervan laag. De Bayesiaanse aanpak biedt unieke voordelen, zoals het coderen van subjectieve overtuigingen over de richting en grootte van aannameschendingen via prior-verdelingen. Desondanks is de implementatie van deze methoden complex, vereist diepgaande methodologische kennis en is er een gebrek aan praktische gidsen en bruikbare software-implementaties voor de praktijk.

Methodologie

Het artikel introduceert een unificerend Bayesiaan "missing-data" kader voor gevoeligheidsanalyses. De kernfilosofie is dat in de Bayesiaanse inferentie geen fundamenteel onderscheid bestaat tussen "parameters" en "data"; beide zijn stochastische variabelen. Het enige verschil is dat data waargenomen zijn (realisaties bekend) en parameters/ontbrekende data niet.

De Unified Approach:

Behandeling van aannameschendingen als ontbrekende data: Schendingen van aannames (zoals meetfouten in blootstelling, niet-gemeten verstorende factoren, of niet-willekeurig ontbrekende uitkomsten) worden gemodelleerd als ontbrekende data ( $D_M$ ).
Gezamenlijke posterior: In plaats van alleen te infereren over parameters ( $\eta, \theta$ ) gegeven de waargenomen data ( $D_O$ ), wordt er gesampled uit de gezamenlijke posterior van parameters én de ontbrekende data: $f(D_M, \xi, \eta, \gamma, \theta | D_O)$ .
Gevoeligheidsparameters ( $\xi$ ): Deze parameters coderen de afwijkingen van de standaardaannames (bijv. de mate van misclassificatie of de sterkte van een niet-gemeten confounder). "Null-waarden" voor $\xi$ vertegenwoordigen het voldoen aan de aannames, terwijl "non-null" waarden schendingen vertegenwoordigen.
Implementatie in Stan: De auteurs demonstreren hoe dit kan worden geïmplementeerd met Stan, een open-source probabilistische programmeertaal die Hamiltonian Monte Carlo (HMC) gebruikt. Ze benadrukken het gebruik van de target-syntax om aangepaste log-likelihoods toe te voegen, wat essentieel is voor niet-standaard modellen.

De vier gepresenteerde voorbeelden:

Misclassificatie van blootstelling (Exposure Misclassification): De ware blootstellingsstatus ( $A$ ) is niet bekend, alleen een foutgevoelige meting ( $\tilde{A}$ ). Omdat $A$ discreet is, moet deze uit de posterior worden gemarginaliseerd (uitgewerkt) voordat het in Stan kan worden gebruikt, wat leidt tot een mengsel van componenten in de likelihood.
Niet-gemeten verstorende factoren (Unmeasured Confounding): Een niet-gemeten covariaat ( $U$ ) beïnvloedt zowel behandeling als uitkomst. Omdat $U$ continu is, kan deze direct als parameter in Stan worden opgenomen en gesampled, samen met de gevoeligheidsparameters die de relatie tussen $U$ en de uitkomst/behandeling modelleren.
Niet-willekeurig ontbrekende uitkomsten (MNAR): Uitkomsten ( $Y$ ) missen niet willekeurig (Missing Not At Random). De auteurs modelleren het mechanisme van ontbrekende data expliciet met gevoeligheidsparameters die de afhankelijkheid van het ontbreken van de uitkomst zelf beschrijven. Voor discrete ontbrekende uitkomsten wordt wederom marginalisatie toegepast.
Bayesiaanse Non-parametrische Sensitiviteit: Gebruikmakend van Truncated Stick-Breaking (TSB) mixtures. Dit combineert flexibele, data-gedreven modellering van de gezamenlijke verdeling (waar data aanwezig is) met parametrische aannames over de ontbrekende data-mechanismen (waar data ontbreekt).

Kernbijdragen

Unificatie: Het biedt een enkel raamwerk om diverse soorten bias (meetfout, confounding, ontbrekende data) te behandelen als varianten van het "missing data"-probleem.
Praktische Implementatie: Het is een van de eerste papers die methodologie, wiskundige afleidingen en werkende code (in R en Stan) combineert voor complexe Bayesiaanse gevoeligheidsanalyses.
Didactische Toegang: Het doorbreekt de barrière dat Bayesiaanse gevoeligheidsanalyses alleen voor theoretici zijn, door te tonen hoe ze met open-source software (Stan) kunnen worden uitgevoerd.
Tipping Point Analyse: Het introduceert een visuele en kwantitatieve aanpak om te bepalen hoeveel een aanneming moet worden geschonden voordat de causale conclusie (bijv. een significant effect) omkeert.

Resultaten

De auteurs demonstreren hun methode met synthetische datasets:

Misclassificatie: Ze tonen aan hoe de posterior-verdeling van het gemiddelde behandelingseffect (ATE) verschuift naarmate de sensitiviteit en specificiteit van de blootstellingsmeting afnemen. Ze identificeren een "tipping point" waarbij de 95% geloofwaardigheidsinterval (CrI) de nulwaarde overschrijdt.
Niet-gemeten confounding: Ze tonen een warmtekaart (heatmap) van de ATE over een raster van gevoeligheidsparameters. Dit laat zien dat zelfs kleine afwijkingen van de "geen niet-gemeten confounding"-aanneming (bijv. een odds ratio van ~2.7 voor een niet-gemeten factor) de conclusie kunnen veranderen van een negatief naar een neutraal effect.
MNAR: Ze illustreren hoe prior-overtuigingen over waarom data ontbreekt (bijv. patiënten met een betere uitkomst stoppen eerder met deelname) de geschatte uitkomstverdeling en de regressielijnen drastisch kunnen beïnvloeden.
Non-parametrisch: Het TSB-model toont aan dat het model flexibel kan aanpassen aan de data waar deze aanwezig is, maar dat in gebieden met ontbrekende data de vorm van de curve sterk wordt bepaald door de gekozen prior en het gemodelleerde ontbrekende-mechanisme.

Betekenis en Conclusie

De paper benadrukt dat gevoeligheidsanalyses essentieel zijn voor de kwaliteit van causale inferentie uit observationele data. De belangrijkste boodschap is dat Bayesiaanse methoden niet alleen theoretisch elegant zijn, maar ook praktisch toepasbaar zijn met bestaande tools zoals Stan.

De auteurs pleiten voor een verschuiving van het simpelweg stellen van de vraag "is er een niet-gemeten confounder?" (wat triviaal waar is) naar het formuleren van specifieke, domeinspecifieke hypothesen over de aard en omvang van bias. Door deze hypothesen te coderen als prior-verdelingen voor gevoeligheidsparameters, kunnen onderzoekers de robuustheid van hun conclusies kwantificeren. Dit artikel vult een cruciale leemte in de literatuur door een brug te slaan tussen geavanceerde methodologie en praktische implementatie, waardoor onderzoekers beter uitgerust zijn om hun aannames te "stress-testen".