📊 statistics

Sequential Transport for Causal Mediation Analysis

Deze paper introduceert 'sequential transport', een nieuw raamwerk voor causale mediatieanalyse dat optimale transport combineert met een mediator-DAG om unit-level contrafactuele mediators te construeren zonder cross-world-aannames, waardoor directe en indirecte effecten consistent kunnen worden geschat en geïnterpreteerd.

Oorspronkelijke auteurs: Agathe Fernandes-Machado, Iryna Voitsitska, Arthur Charpentier, Ewen Gallic

Gepubliceerd 2026-03-17

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Agathe Fernandes-Machado, Iryna Voitsitska, Arthur Charpentier, Ewen Gallic

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 waarom twee groepen mensen verschillende uitkomsten hebben. Bijvoorbeeld: waarom krijgen mannen vaker een hogere salarisverhoging dan vrouwen, of waarom hebben bepaalde groepen in de gevangenis een hoger risico om opnieuw te struikelen?

In de wereld van data-wetenschap heet dit causale mediatiestudie. Het gaat niet alleen om het antwoord op "wat is het verschil?", maar om "waarom is er een verschil?". Is het omdat de groepen zelf verschillend zijn (direct effect), of is het omdat ze via tussenpersonen (zoals opleiding of ervaring) een ander pad hebben gevolgd (indirect effect)?

Het probleem is dat het antwoord op die "waarom"-vraag vaak gebaseerd is op hypothetische gedachten: "Wat zou er gebeurd zijn als deze persoon een ander geslacht had, maar verder precies dezelfde levensloop?" Dit noemen we "tegenwereldjes" (counterfactuals). Het is lastig om die te bedenken zonder te gokken over hoe de wereld precies werkt.

De auteurs van dit paper, Agathe Fernandes Machado en haar collega's, hebben een nieuwe, slimme manier bedacht om dit op te lossen. Ze noemen het Sequential Transport (ST) of "Sequentieel Vervoer".

Hier is de uitleg in simpele taal, met een paar creatieve analogieën:

1. Het Probleem: De "Teveel Verandering"-Valstrik

Stel je voor dat je een spiegelbeeld van iemand wilt maken die in een andere wereld leeft.

De oude manier: Je neemt een hele nieuwe wereld en probeert die persoon daar in te passen. Vaak verandert je dan alles aan die persoon op een willekeurige manier. Het resultaat is een persoon die er totaal anders uitziet dan de originele, en je weet niet meer welk deel van de verandering door het geslacht kwam en welk deel door toeval.
De nieuwe manier (ST): Je wilt de persoon veranderen, maar alleen zo min mogelijk. Je wilt alleen die specifieke eigenschappen aanpassen die nodig zijn om in de nieuwe wereld te passen, terwijl je de rest van hun identiteit intact houdt.

2. De Oplossing: De "Minimale Verplaatsing" (Optimal Transport)

De auteurs gebruiken een wiskundig concept genaamd Optimal Transport.

De Analogie: Stel je voor dat je een berg zand (groep A) moet verplaatsen naar een kuil (groep B). Je wilt de zandkorrels verplaatsen, maar je wilt zo min mogelijk energie verbruiken. Je sleept elke korrel niet naar een willekeurige plek, maar naar de dichtstbijzijnde plek waar hij past in de nieuwe vorm.
In hun onderzoek doen ze dit niet met zand, maar met mensen en hun eigenschappen (zoals leeftijd, strafblad, opleiding). Ze verplaatsen elke eigenschap van een persoon uit groep A naar de "dichtstbijzijnde" versie in groep B.

3. Het Geheim: De "Stap-voor-Stap" Route (Sequential Transport)

Dit is het echte genie van de methode. Mensen hebben niet één eigenschap, maar een hele keten van eigenschappen die op elkaar invloed hebben.

De Analogie: Stel je voor dat je een huis verbouwt. Je kunt niet zomaar de dakpannen vervangen als je de muren nog niet hebt aangepast. Je moet eerst de fundering doen, dan de muren, dan het dak.
In de data-wetenschap hebben eigenschappen een DAG (een stroomdiagram). Bijvoorbeeld: Leeftijd beïnvloedt Strafblad, en Strafblad beïnvloedt Risicobeoordeling.
Hoe ST werkt: Ze verplaatsen de eigenschappen één voor één, in de juiste volgorde.
1. Eerst passen ze de Leeftijd aan (want die heeft geen ouders in het diagram).
2. Dan passen ze het Strafblad aan, maar dan kijken ze wel naar de nieuwe leeftijd (die ze net hebben aangepast).
3. Dan passen ze de Risicobeoordeling aan, gebaseerd op de nieuwe leeftijd én het nieuwe strafblad.

Dit zorgt ervoor dat de "tegenwereldse" persoon logisch blijft. Je verandert niet zomaar alles door elkaar, maar je volgt de natuurlijke oorzaak-gevolg keten.

4. Waarom is dit zo handig?

Geen gokwerk: Je hoeft niet te raden welke wiskundige formule de wereld beschrijft (zoals in oude methodes). Je kijkt gewoon naar de echte data.
Voor iedereen: Het werkt voor cijfers (leeftijd, inkomen) én voor categorieën (opleidingstype, geslacht).
Duidelijke oorzaak: Omdat je stap-voor-stap werkt, kun je precies zien welk deel van het verschil komt door de leeftijd en welk deel door het strafblad. Het is alsof je een rekening opdeelt: "Dit bedrag komt door X, dat bedrag door Y."

5. Het Toepassing: De COMPAS Dataset

De auteurs hebben hun methode getest op de beroemde COMPAS-dataset. Dit is een systeem dat gebruikt wordt in de VS om te voorspellen of een veroordeelde crimineel opnieuw zal struikelen. Er was veel kritiek dat dit systeem racistisch was (zwarte mensen kregen hogere risicoratingen dan witte mensen).

Met hun methode konden ze precies zien:

Hoeveel van dat verschil kwam door het ras zelf (direct effect)?
Hoeveel kwam door tussenliggende factoren zoals het aantal eerdere straffen of de ernst van de misdaad (indirect effect)?

Het resultaat? Ze konden aantonen dat een groot deel van het verschil te maken had met de verschillen in die tussenliggende factoren (zoals het strafblad), en niet noodzakelijk met het ras zelf. Maar ze deden dit op een manier die logisch en wiskundig waterdicht was, zonder te hoeven gokken over hoe de wereld werkt.

Samenvatting in één zin

Sequential Transport is een slimme manier om te berekenen "wat als", door mensen in een tegenwereld te verplaatsen door hun eigenschappen één voor één, in de juiste volgorde, aan te passen aan de nieuwe situatie, zodat je precies kunt zien welke schakel in de keten het verschil veroorzaakt.

Titel: Sequential Transport voor Causale Mediatie-analyse

Auteurs: Agathe Fernandes Machado, Iryna Voitsitska, Arthur Charpentier, en Ewen Gallic.

1. Het Probleem

Causale mediatie-analyse heeft tot doel het totale effect van een behandeling ( $A$ ) op een uitkomst ( $Y$ ) te ontleden in een direct effect en een indirect effect dat verloopt via mediators ( $X$ ). Traditionele methoden (zoals structurele vergelijkingmodellen of SEM) hebben vaak de volgende beperkingen:

Ze vertrouwen op sterke parametrische aannames (bijv. lineariteit).
Ze vereisen vaak "cross-world" counterfactuele aannames (bijv. $Y(0, X(1))$ ), waarbij een uitkomst wordt gecombineerd met een mediator uit een ander hypothetisch wereldje. Deze zijn niet identificeerbaar zonder volledige specificatie van het data-generatieproces.
Ze zijn vaak beperkt tot populatiegemiddelden en bieden geen duidelijke decompositie op individueel niveau, vooral niet bij gemengde data-types (numeriek en categorisch) of complexe causale structuren.

Het doel van dit artikel is een distributiegebaseerd raamwerk te ontwikkelen dat individuele counterfactuele mediators genereert zonder parametrische structurele modellen, terwijl het de causale afhankelijkheden in de data respecteert.

2. Methodologie: Sequential Transport (ST)

De kern van de voorgestelde methode is Sequential Transport (ST), een framework dat Optimal Transport (OT) combineert met de structuur van een Directed Acyclic Graph (DAG) van mediators.

Het Fundamentele Principe: Mutatis Mutandis

In plaats van cross-world counterfactuelen te gebruiken, hanteert ST het principe van mutatis mutandis ("veranderen wat nodig is om te veranderen"). Wanneer de behandeling van een individu verandert, worden de mediators zo minimaal mogelijk aangepast om de verdeling van de mediators onder de nieuwe behandeling te bereiken, terwijl de causale afhankelijkheden (zoals bepaald door de DAG) behouden blijven.

Het Algorithmische Proces

De methode werkt als volgt:

DAG Structuur: De mediators $X = (X_1, ..., X_d)$ zijn geordend volgens een DAG $G$ . Er bestaat een topologische ordening $\pi$ zodat de ouders van een mediator altijd eerder in de volgorde voorkomen.
Sequentiële Transport: In plaats van één globale multivariate transportmap te gebruiken (wat de conditionele relaties zou kunnen verstoren), worden de mediators sequentieel getransporteerd volgens de topologische volgorde.
- Voor elke mediator $X_j$ wordt een transportmap $T_j$ toegepast.
- Deze map transporteert de verdeling van $X_j$ onder behandeling $A=0$ naar die onder $A=1$ , conditioneel op de reeds getransporteerde ouders.
- Formeel: $x^*_{1, \pi(j)} = T_{\pi(j)}(x_{0, \pi(j)} \mid \text{ouders})$ .
Behandeling van Data-types:
- Numerieke Mediators: Er wordt gebruikgemaakt van monotoon (conditioneel) OT, gebaseerd op geschatte conditionele CDF's en kwantielfuncties (Rosenblatt-transformatie).
- Categorie Mediators: Er wordt gebruikgemaakt van simplex-based transport. De kansverdelingen over de categorieën worden getransporteerd op het simplex, waarna een deterministische toewijzing (bijv. via argmax of een geoptimaliseerde toewijzing) plaatsvindt om de labels te behouden.
Effect Decompositie: Voor een individu $i$ $i$ in de controlegroep ( $A=0$ $A = 0$ ) wordt een getransporteerd mediatorprofiel $x^*_{1,i}$ $x_{1, i}^{*}$ gegenereerd. De effecten worden als volgt berekend:
- Indirect Effect ( $\delta_i$ ): Het verschil in voorspelde uitkomst tussen het getransporteerde profiel en het feitelijke profiel, onder de controlegroep: $\hat{\mu}_0(x^*_{1,i}) - \hat{\mu}_0(x_{0,i})$ .
- Direct Effect ( $\zeta_i$ ): Het verschil in voorspelde uitkomst tussen de behandeld en controlegroep, met het getransporteerde profiel vastgehouden: $\hat{\mu}_1(x^*_{1,i}) - \hat{\mu}_0(x^*_{1,i})$ .

3. Belangrijkste Bijdragen

Unit-level Mediatie via ST: Het artikel introduceert een DAG-gealigneerd OT-framework dat individuele directe en indirecte effecten berekent door deterministische, causaal consistente counterfactuele mediators te produceren.
Theoretische Garanties: De auteurs bewijzen consistentie-resultaten voor de geschatte transportmaps en de daaruit voortvloeiende effectdecomposities. Ze tonen aan dat de methode convergeert onder standaard regulariteits- en steunvoorwaarden (positiviteit).
Flexibiliteit: De methode werkt met zowel numerieke als categorische mediators en vereist geen parametrische specificatie van de structurele vergelijkingen.
Empirische Validatie:
- Gaussische simulaties: ST herstelt exact de klassieke mediatieformules in lineaire SEM's.
- Monte Carlo simulaties: De methode presteert stabiel in niet-lineaire settings en bij gemengde data-types.
- Real-world toepassing: Toepassing op de COMPAS-dataset (recidive voorspelling) illustreert hoe ST een gedetailleerde attributie van dispariteiten tussen raciale groepen mogelijk maakt, waarbij ongeveer twee derde van het verschil wordt toegeschreven aan verschillen in de verdeling van mediators (zoals voorgeschiedenis en aanklachten).

4. Resultaten en Validatie

Theoretisch: De transportmaps zijn consistent; naarmate de steekproefgrootte toeneemt, convergeert de geschatte counterfactuele mediator naar de ideale mutatis mutandis transformatie.
Simulaties: In vergelijking met klassieke methoden (LSEM) en andere transportbenaderingen (zoals multivariate OT zonder conditionering), toont ST een lagere dispersie en betere stabiliteit, vooral bij complexe DAG-structuren en gemengde data-types.
COMPAS Toepassing:
- De methode levert deterministische counterfactuele profielen op die consistent zijn met het causale diagram.
- Het onthult dat een groot deel van de raciale dispariteit in recidive-voorspellingen wordt gedreven door verschillen in de verdeling van mediators (indirect effect), in plaats van een direct effect van ras op de uitkomst.
- Het biedt een fijne-granulatie attributie per mediator (bijv. hoeveel draagt priors_count bij ten opzichte van age?).

5. Betekenis en Conclusie

Deze paper biedt een krachtig alternatief voor traditionele causale mediatie-analyse.

Interpretatie: Het raamwerk verschuift de focus van "cross-world" aannames naar een distributiegebaseerde interpretatie. Als de behandeling exogeen is (gecontroleerd of ignorerbaar), kunnen de resultaten causaal worden geïnterpreteerd. Anders bieden ze een geordende, causaal onderbouwde attributie van waargenomen verschillen tussen groepen.
Toepassing in Fairness: De methode is bijzonder relevant voor algoritmische eerlijkheid, waar het nodig is om te begrijpen hoe en waarlangs gevoelige attributen (zoals ras) uitkomsten beïnvloeden, zonder te vertrouwen op onwaarschijnlijke structurele aannames.
Robuustheid: Door gebruik te maken van Optimal Transport en DAG-structuur, is de methode robuust tegen modelmisspecificatie en geschikt voor complexe, niet-lineaire en gemengde data-omgevingen.

Kortom, Sequential Transport biedt een flexibele, interpreteerbare en wiskundig onderbouwde manier om causale paden te analyseren en te decomponeren op individueel niveau.