📊 statistics

A Bayesian Reinterpretation of Cornfield-Type Sensitivity Analysis: From Thresholds to Probabilities

Dit artikel presenteert een Bayesiaanse herformulering van Cornfield-type gevoeligheidsanalyses voor ongemeten verstorende factoren, waarbij de E-waarde wordt omgezet van een drempelwaarde in een waarschijnlijkheidskader dat de plausibiliteit van verstorende factoren kwantificeert en gevoeligheidsanalyse transformeert van een diagnostische oefening naar een probabilistische beoordeling van robuustheid.

Oorspronkelijke auteurs: Tommaso Costa

Gepubliceerd 2026-03-20

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Tommaso Costa

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

De Onzichtbare Spookjager: Een Nieuwe Manier om Wetenschappelijke Bewijzen te Controleren

Stel je voor dat je een detective bent die een mysterie probeert op te lossen. Je hebt een sterke aanwijzing: mensen die roken, krijgen vaker longkanker. De statistieken lijken dit te bevestigen. Maar als detective weet je dat er altijd een "spook" kan zijn: een onzichtbare factor die je niet hebt gemeten, maar die zowel het roken als de kanker veroorzaakt. Misschien is het stress, of een bepaald type werk, of iets dat we nog niet eens kennen.

In de wetenschap noemen we dit verwarring (confounding).

Het Oude Spel: De "E-value" als een Hoge Muur

Vroeger (en nog steeds vaak vandaag) gebruikten wetenschappers een methode die we de Cornfield-methode of de E-value noemen.

Stel je voor dat je een muur bouwt. Deze muur vertegenwoordigt hoe sterk dat "spook" moet zijn om je bewijs te vernietigen.

Als de muur enorm hoog is (bijvoorbeeld 10 meter), zeggen de wetenschappers: "Wow, dat spook moet een reus zijn om die muur te overwinnen. Dat is onwaarschijnlijk! Dus ons bewijs is waarschijnlijk waar."
Als de muur laag is (bijvoorbeeld 1 meter), zeggen ze: "Huh, een spook van 1 meter is makkelijk te vinden. Ons bewijs is misschien niet zo sterk."

Het probleem met deze oude methode: Het vertelt je alleen hoe hoog de muur moet zijn. Het zegt je niet hoe waarschijnlijk het is dat er zo'n reusachtig spook bestaat. Het is alsof iemand zegt: "Je moet een berg van 5000 meter beklimmen om te ontsnappen." Maar is die berg er wel? Is het er waarschijnlijk? De oude methode geeft je geen antwoord op die vraag.

De Nieuwe Methode: De "Spookwaarschijnlijkheid"

Tommaso Costa, de auteur van dit paper, zegt: "Laten we dit anders aanpakken. Laten we niet vragen hoe hoog de muur moet zijn, maar vragen: Wat is de kans dat er zo'n spook bestaat?"

Hij gebruikt een Bayesiaanse aanpak. Dat klinkt ingewikkeld, maar het is eigenlijk heel logisch:

De Muur (De E-value): We houden de oude muur. We weten nog steeds hoe sterk het spook moet zijn om het bewijs te vernietigen.
De Kans (De Nieuwe Berekening): In plaats van alleen naar de muur te kijken, kijken we naar de "spookwereld". We maken een schatting (een prior) over hoe vaak zulke sterke spookjes in het echt voorkomen.
Het Resultaat: We krijgen een percentage. Bijvoorbeeld: "Er is slechts een 0,4% kans dat er een spook is dat sterk genoeg is om dit bewijs te ontkrachten."

De Analogie van de Regenjas

Laten we het nog eenvoudiger maken met een analogie:

Het Oude Systeem (De E-value): Je kijkt naar de regen en zegt: "Om nat te worden, moet de regenbui zwaar zijn, minstens 10 liter per uur." Dat is een feit. Maar het zegt je niets over de kans dat het morgen gaat regenen. Misschien is het een zonnige dag in de Sahara. Dan is die 10 liter per uur onmogelijk.
Het Nieuwe Systeem (Costa's Methode): Je kijkt ook naar de weersvoorspelling. Je zegt: "Oké, we hebben regen nodig van 10 liter per uur om nat te worden. Maar volgens de voorspelling is de kans op zo'n zware bui slechts 1%. Dus, de kans dat ik morgen nat word, is heel klein."

Wat Vindt Costa in Zijn Onderzoek?

Costa heeft deze nieuwe methode getest op echte onderzoeken (over roken, rugpijn, Alzheimer en milieu). Hier is wat hij ontdekte:

Sterke Bewijzen zijn Sterk: Bij onderzoeken met een zeer hoge "muur" (zoals roken en longkanker), is de kans dat er een spook is dat het bewijs vernietigt, extreem klein. Het is alsof je zegt: "Er is een 0,004% kans dat er een onzichtbare reus is die dit verklaart." Dat betekent: we kunnen hier gerust op vertrouwen.
Zwakke Bewijzen zijn Wankel: Bij onderzoeken met een lage "muur" (zoals sommige verbanden bij Alzheimer of rugpijn), is de kans dat er een spook is, veel groter (soms wel 50% of meer). Dat betekent: "Het zou best kunnen dat dit verband helemaal niet echt is, maar veroorzaakt wordt door iets ongemeten."
Het Verschil is Belangrijk: De oude methode gaf vaak een vaag "ja/nee" of "sterk/zwak". De nieuwe methode geeft een nuance. Het laat zien dat zelfs binnen één onderzoek (bijvoorbeeld roken), sommige verbanden heel veilig zijn en andere wat minder.

Waarom is Dit Belangrijk voor Jou?

Stel je voor dat je een arts bent die een patiënt moet adviseren, of een beleidsmaker die een nieuwe wet moet maken.

Met de oude methode zeg je: "De muur is hoog, dus het is waarschijnlijk waar." (Maar hoe hoog is 'waarschijnlijk' precies?)
Met de nieuwe methode zeg je: "Op basis van wat we weten over de wereld, is de kans dat dit een toeval is of een spook, slechts 3%. We kunnen hier veilig op bouwen."

Conclusie: Van "Kan het?" naar "Is het waarschijnlijk?"

Dit paper is een stap voorwaarts in de wetenschap. Het verandert de vraag van "Kunnen we dit bewijs ontkrachten?" (een theoretische vraag) naar "Is het waarschijnlijk dat dit bewijs ontkracht wordt?" (een praktische vraag).

Het maakt de wetenschap eerlijker. Het erkent dat we niet alles weten, maar dat we die onzekerheid wel kunnen meten en in cijfers kunnen uitdrukken. In plaats van te gokken of er een spook is, tellen we nu hoe groot de kans is dat het spook echt bestaat. En dat helpt ons betere beslissingen te nemen.

Probleemstelling

In observationeel onderzoek is causaliteit onlosmakelijk verbonden met het probleem van ongemeten verstorende factoren (unmeasured confounding). Bestaande methoden voor gevoeligheidsanalyse, zoals het Cornfield-argument en de moderne E-waarde (VanderWeele & Ding, 2017), richten zich op drempelwaarden. Ze beantwoorden de vraag: "Hoe sterk moet een verstorende factor zijn om de waargenomen associatie volledig te verklaren?"

De fundamentele beperking van deze benaderingen is dat ze een deterministische drempel bieden zonder de plausibiliteit van zo'n verstorende factor te beoordelen. In de praktijk moeten onderzoekers deze drempels informeel interpreteren (bijv. "een hoge E-waarde betekent robuustheid"), wat leidt tot een gebrek aan formele probabilistische onderbouwing. Er is geen methode die direct antwoord geeft op de inferentiële vraag: "Hoe waarschijnlijk is het dat een verstorende factor van deze sterkte daadwerkelijk bestaat?"

Methodologie

Costa stelt een Bayese herformulering van Cornfield-type gevoeligheidsanalyse voor, waarbij de sterkte van verstorende factoren wordt gemodelleerd als een stochastische variabele in plaats van een onbekende constante.

1. Generatief Model:

Laat $RR_{obs}$ de waargenomen associatie zijn (bijv. risicoverhouding) en $RR_{true}$ het ware causale effect.
De verstorende factor wordt gemodelleerd via een multiplicatieve distortieparameter $\Gamma \geq 1$ .
De relatie wordt geschreven als: $RR_{true} = RR_{obs} / \Gamma$ .
Op de logaritmische schaal ( $\theta = \log(RR)$ ) wordt dit een additief model:
$\theta_{obs} \sim \mathcal{N}(\theta_{true} + \log(\Gamma), s^2)$
waarbij $s$ de standaardfout is van de schatting.

2. Prior-verdelingen:
Omdat het model niet identificeerbaar is zonder priors (waarde en bias kunnen niet apart worden geschat), worden expliciete priors gespecificeerd:

Causaal effect: $\theta_{true} \sim \mathcal{N}(0, \sigma_\tau^2)$ (neemt aan dat grote effecten mogelijk maar niet extreem waarschijnlijk zijn).
Verstorende sterkte: $\log(\Gamma) \sim \text{Half-Normal}(0, \sigma_\pi^2)$ $lo g (Γ) \sim Half-Normal (0, σ_{π}^{2})$ .
- De parameter $\sigma_\pi$ controleert de prior-geloofwaardigheid van sterke verstorende factoren. Een kleinere $\sigma_\pi$ uit scepticisme over extreme verstorende factoren.

3. Inferentie en de E-waarde:

De E-waarde fungeert binnen dit kader als een drempelwaarde $\Gamma^*$ : de minimale sterkte die nodig is om het effect te verklaren.
In plaats van alleen $\Gamma^*$ te rapporteren, berekent het model de posterior-kans:
$P(\Gamma \geq \Gamma^* \mid \theta_{obs})$
Deze kans kwantificeert direct hoe waarschijnlijk het is dat de ongemeten verstorende factor sterk genoeg is om de causale conclusie te ondermijnen.

4. Data:
De methode werd getest op een dataset van samenvattende statistieken (effectmaten zoals odds ratios) uit vier domeinen: roken, rugpijn, Alzheimer en milieugezondheid. De data zijn afkomstig van een recente studie (Xiang et al., 2026) die E-waarden bevatte.

Belangrijkste Bijdragen

Van Drempels naar Kansen: De kernbijdrage is de verschuiving van een diagnostische drempelanalyse (is de verstorende factor mogelijk sterk genoeg?) naar een inferentiële probabilistische analyse (hoe waarschijnlijk is het dat zo'n factor bestaat?).
Bayese Coherentie: Het biedt een coherent raamwerk dat gevoeligheidsanalyse in lijn brengt met Bayese inferentie onder onzekerheid, waarbij prior-kennis expliciet wordt ingebracht in plaats van impliciet.
Toepasbaarheid op Samenvattende Data: In tegenstelling tot complexe Bayese bias-modellen die vaak individuele data vereisen, werkt deze methode direct met samenvattende statistieken en E-waarden, wat het zeer praktisch maakt voor meta-analyses en literatuurstudies.
Nuancering van Robuustheid: Het onthult heterogeniteit binnen studies die door een enkele E-waarde wordt gemaskeerd, en biedt een continu spectrum van "evidentiële kwetsbaarheid".

Resultaten

De toepassing op 11 casestudies toonde een duidelijke, monotone relatie tussen de grootte van de E-waarde en de posterior-kans op voldoende verstorende factoren:

Hoge E-waarden: Studies met grote E-waarden (bijv. milieugezondheid, $E=4.25$ ) resulteerden in extreem lage kansen ( $P \approx 0.004$ ) dat verstorende factoren het effect verklaren. Dit bevestigt hoge robuustheid.
Lage E-waarden: Studies met bescheiden effecten (bijv. Alzheimer, $E \approx 1.32-1.39$ ) leverden kansen rond de 0.5 op, wat aangeeft dat verstorende factoren van voldoende sterkte zeer plausibel zijn.
Interne Variatie: Zelfs binnen één onderzoeksdomein (zoals roken) varieerde de kans sterk afhankelijk van de effectgrootte, wat laat zien dat de methode subtielere onderscheidingen maakt dan een binair "robuust/niet-robuust" oordeel.
Sensitiviteit voor Priors: De resultaten voor grote E-waarden waren robuust over verschillende prior-specificaties. Voor kleine E-waarden was de uitkomst gevoeliger voor de keuze van de prior, wat de inherente onzekerheid bij zwakke effecten weerspiegelt.

Betekenis en Conclusie

Dit werk vult een kritieke lacune in de causaliteitsinferentie. Bestaande methoden zeggen ons wat er nodig is om een associatie te ontkrachten, maar niet hoe waarschijnlijk dat is. Door de E-waarde te vertalen naar een posterior-kans, biedt Costa een instrument dat direct bruikbaar is voor wetenschappelijke en klinische besluitvorming.

De methode transformeert gevoeligheidsanalyse van een beschrijvende checklist naar een coherent inferentieproces. Het erkent dat onzekerheid over ongemeten verstorende factoren niet kan worden geëlimineerd, maar wel transparant en rationeel kan worden gekwantificeerd. Dit stelt onderzoekers in staat om hun conclusies te onderbouwen met een expliciete probabilistische maatstaf voor kwetsbaarheid, in plaats van te vertrouwen op informele oordelen over drempelwaarden.