📈 economics

Quantifying Omitted Variable Bias in Nonlinear Instrumental Variable Estimators

Dit artikel presenteert een raamwerk om de bias door weggelaten variabelen in niet-lineaire instrumentvariabele-schatters te kwantificeren en te corrigeren, waarbij dubbele machine learning wordt ingezet om robuuste effecten van het JTPA-experiment te beoordelen.

Oorspronkelijke auteurs: Yu-Min Yen

Gepubliceerd 2026-04-07

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Yu-Min Yen

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 nieuw medicijn (of in dit geval, een beroepsopleiding) echt werkt. Je hebt een groep mensen die de opleiding hebben gevolgd en een groep die dat niet heeft gedaan. Maar er is een probleem: de mensen die de opleiding hebben gekozen, waren misschien al gemotiveerder, slimmer of hadden een beter netwerk dan de anderen. Als je gewoon vergelijkt wie meer verdient, kun je niet weten of dat komt door de opleiding of door hun persoonlijke kwaliteiten.

In de econometrie noemen we dit eindogeniteit. Om dit op te lossen, gebruiken onderzoekers een slim trucje: een instrument. Stel, je hebt een loterij waarbij sommige mensen willekeurig een aanbod krijgen voor de opleiding, maar niet iedereen neemt het aanbod aan. Die loterij is je "instrument". Omdat de loterij willekeurig is, kun je erop vertrouwen dat de groep die het aanbod kreeg, gemiddeld gezien net zo goed was als de groep die het niet kreeg.

Maar hier komt de twist: wat als er nog een onzichtbare factor is die we niet hebben gemeten? Bijvoorbeeld, wat als mensen die het aanbod kregen, ook per toeval meer vrienden hadden die hen hielpen bij het vinden van een baan? Die "onbekende vriend" is de weggebleven variabele. Als we die niet meetellen, kan onze conclusie verkeerd zijn.

Dit paper, geschreven door Yu-Min Yen, is als een superkrachtige meetlat voor deze onzichtbare factoren.

De Kern van het Papier: Een "Sensitiviteits-Test"

De auteur zegt: "Oké, we weten dat we niet alles hebben gemeten. Laten we niet doen alsof we perfect zijn. Laten we in plaats daarvan berekenen: Hoe groot zou die onzichtbare factor moeten zijn om onze conclusie te veranderen?"

Hier zijn de belangrijkste concepten, vertaald naar alledaags taal:

1. De "Onzichtbare Dief" (Omitted Variable Bias)
Stel je voor dat je een koekje bakt en vergeet suiker toe te voegen. Je proeft het en zegt: "Dit is niet zoet." Maar wat als er iemand anders in de keuken was die al suiker had toegevoegd, maar jij het niet zag? Je conclusie is dan verkeerd.
In dit paper kijken ze naar hoeveel "suiker" (de onzichtbare variabele) er zou moeten zijn om je conclusie over de opleiding te veranderen. Ze bouwen een veiligheidszone (een bereik) rondom hun schatting. Als het echte effect binnen die zone ligt, is je conclusie robuust. Als het effect buiten die zone ligt, moet je je conclusie herzien.

2. De "Dubbele Machine Learning" (De Slimme Assistent)
Om deze berekeningen te doen, gebruiken ze geavanceerde computerprogramma's (Machine Learning). Denk hieraan als een super-slimme assistent die duizenden factoren tegelijk kan analyseren (leeftijd, ras, geslacht, eerdere werkervaring, etc.).
De auteur gebruikt een techniek genaamd Double Machine Learning. Stel je voor dat je een wedstrijd hebt tussen twee teams. Team A probeert te voorspellen wie de opleiding krijgt, Team B probeert te voorspellen wie later veel verdient. Ze kijken naar elkaars fouten en corrigeren die. Zo kunnen ze de "echte" invloed van de opleiding isoleren, zelfs als er duizenden andere factoren meespelen.

3. De Resultaten: Mannen vs. Vrouwen
De auteur test deze methode op echte data van een Amerikaanse beroepsopleiding (JTPA). Het resultaat is fascinerend en laat zien waarom deze "veiligheidszone" zo belangrijk is:

Voor Vrouwen: De conclusie is sterk en robuust. Zelfs als je aannemt dat er een enorme, onzichtbare factor is die we niet hebben gemeten, blijft de conclusie staan: de opleiding helpt vrouwen om meer te verdienen. Het is alsof je een betonnen muur bouwt; zelfs als je er een kanon tegen schiet, blijft hij staan.
Voor Mannen: De conclusie is kwetsbaar. De schattingen voor mannen zijn niet zo sterk. Als je aannemt dat er een kleine onzichtbare factor is (bijvoorbeeld dat mannen die de opleiding kregen, toevallig meer ambitieus waren), dan verdwijnt het positieve effect van de opleiding. Het is alsof je een huis van kaarten bouwt; een klein windje (een onzichtbare variabele) en het hele verhaal stort in.

Waarom is dit belangrijk voor jou?

Vroeger konden onderzoekers alleen zeggen: "De opleiding werkt!" of "De opleiding werkt niet!" Maar ze konden niet goed zeggen: "Hoe zeker zijn we dat?"

Dit paper geeft onderzoekers een waarschuwingslampje. Het zegt: "Kijk, voor deze groep (vrouwen) kun je met een gerust hart zeggen dat het werkt. Maar voor die andere groep (mannen) moet je voorzichtig zijn; misschien werkt het wel, misschien niet, afhankelijk van factoren die we niet hebben gezien."

Samenvattend:
Dit paper is een gids voor het testen van de sterkte van je overtuigingen. Het leert ons om niet blindelings te vertrouwen op cijfers, maar om te vragen: "Wat als er iets is dat we over het hoofd hebben gezien?" En dan te berekenen of onze conclusie daar tegen kan. Voor vrouwen in de studie is het antwoord "Ja", voor mannen is het antwoord "Misschien niet". Dat is een cruciaal verschil voor beleidsmakers die beslissen waar ze hun geld in moeten steken.

Titel: Kwantificering van Omitted Variable Bias in Niet-lineaire Instrumentvariabele Schatters

1. Probleemstelling

Instrumentvariabele (IV) schatters zijn een hoeksteen van de causale inferentie om endogeniteit aan te pakken. Echter, de validiteit van deze schatters is afhankelijk van de aanname dat er geen relevante variabelen worden weggelaten uit het model. Als er onwaarneembare (weggelaten) variabelen ( $A$ ) zijn die zowel de behandeling ( $D$ ) als de uitkomst ( $Y$ ) beïnvloeden, leidt dit tot Omitted Variable Bias (OVB).

Bestaande methoden voor gevoeligheidsanalyse zijn voornamelijk beperkt tot lineaire modellen. Dit artikel adresseert de lacune in de literatuur door een raamwerk te ontwikkelen om OVB te kwantificeren in een brede klasse van niet-lineaire IV-schatters, waaronder:

De Local Average Treatment Effect (LATE) (het lokale gemiddelde behandelingseffect).
De LATE voor de behandelde (LATT).
Het Partially Linear IV Model (PLIVM).

Het doel is om de omvang van de bias te karakteriseren, gedeeltelijke identificatiegrenzen (bounds) te construeren en statistische inferentie-instrumenten te ontwikkelen die rekening houden met deze bias.

2. Methodologie

Het artikel bouwt voort op de resultaten van Chernozhukov et al. (2024a) en introduceert een methode die de bias ontbindt in componenten die afhankelijk zijn van onwaarneembare variabelen.

A. Fundamentele Formulering
De schatters worden voorgesteld als een ratio van twee verwachtingen:
$\theta = \frac{\lambda}{\gamma}$
Waarbij $\lambda$ en $\gamma$ afhangen van een weegfunctie $\alpha(W)$ en de voorwaardelijke verwachtingen van $Y$ en $D$ gegeven de volledige set variabelen $W = (Z, X, A)$ .
Wanneer alleen de waarneembare variabelen $W_s = (Z, X)$ beschikbaar zijn, wordt een "korte" schatter $\theta_s$ gebruikt, wat leidt tot bias: $|\text{Bias}| = |\theta - \theta_s|$ .

B. Afleiding van Bias Bounds
De auteurs leiden kwadratische bias-uitdrukkingen af voor de teller ( $\lambda$ ) en de noemer ( $\gamma$ ):
$|\lambda - \lambda_s|^2 = \rho_Y^2 B_Y^2 \quad \text{en} \quad |\gamma - \gamma_s|^2 = \rho_D^2 B_D^2$
Hierbij zijn:

$\rho_Y$ en $\rho_D$ : Correlaties tussen de bias in de weegfunctie en de bias in de uitkomst/treatment.
$B_Y$ en $B_D$ : Termen die afhankelijk zijn van gevoeligheidsparameters ( $C_\alpha, C_Y, C_D$ ) en de variantie van de residuen.
De parameters $C_\alpha, C_Y, C_D$ meten de extra voorspellingskracht die de weggelaten variabele $A$ toevoegt aan respectievelijk de instrumentvariabele $Z$ , de uitkomst $Y$ en de behandeling $D$ , ten opzichte van de reeds aanwezige covariaten $X$ .

Op basis hiervan worden gedeeltelijke identificatiegrenzen ( $\lambda^-, \lambda^+$ en $\gamma^-, \gamma^+$ ) afgeleid. Stelling 1 biedt een algebraïsche methode om de grenzen voor de parameter van belang $\theta_0$ te construeren, afhankelijk van de tekens van de grenzen van $\lambda$ en $\gamma$ .

C. Schatting en Inferentie
Om deze grenzen empirisch te schatten in hoge dimensies, maakt het artikel gebruik van Double Machine Learning (DML):

Nuisance Parameters: De noodzakelijke componenten (zoals propensitiescores en voorwaardelijke verwachtingen) worden geschat met machine learning-algoritmen (bijv. Random Forests).
Cross-fitting: Om overfitting te voorkomen en Neyman-orthogonaliteit te garanderen, wordt K-fold cross-fitting toegepast.
Confidence Intervals: Er worden OVB-aangepaste betrouwbaarheidsintervallen geconstrueerd. De auteurs gebruiken de Shrinkage-methode van Stoye (2009) om uniforme geldigheid van de intervallen te waarborgen, zelfs wanneer de identificatiegebieden klein zijn.

D. Benchmarking
Om realistische waarden voor de gevoeligheidsparameters te kiezen, wordt een benchmark-analyse uitgevoerd. Hierbij wordt de kracht van de weggelaten variabele $A$ vergeleken met die van specifieke waarneembare covariaten ( $X_j$ ). Als $A$ even belangrijk is als de sterkste waarneembare variabele, wordt dit als een conservatieve bovengrens voor de bias gebruikt.

3. Empirische Toepassing: JTPA Experiment

De methode wordt toegepast op data van het Job Training Partnership Act (JTPA) experiment in de VS, waarbij het effect van jobtraining op inkomsten wordt onderzocht.

Behandeling: Inschrijving in het programma.
Instrument: Toewijzing van het aanbod van het programma.
Steekproef: Volwassen mannen en vrouwen (totaal $N=11.204$ ).

Resultaten:

Eerste-stap (Compliance): De schattingen voor de kans op naleving ( $\gamma$ , oftewel $P(T=C)$ ) zijn zeer robuust. Zelfs bij aanzienlijke weggelaten bias blijven de grenzen significant en positief.
Intent-to-Treat (ITT) en LATE: Deze schattingen zijn gevoeliger voor OVB.
- Vrouwen: De effecten blijven robuust en statistisch significant, zelfs na correctie voor OVB en de onzekerheid rondom de grenzen.
- Mannen: De resultaten zijn fragiel. Hoewel de puntsschattingen positief lijken, worden de significante resultaten onzeker of verdwijnen ze wanneer OVB wordt meegenomen. De OVB-aangepaste betrouwbaarheidsintervallen omvatten nul of worden zeer breed.

4. Belangrijkste Bijdragen

Generalisatie naar Niet-lineaire Modellen: Het artikel breidt de theorie van OVB-analyse uit van lineaire regressies naar complexe, niet-lineaire IV-schatters (LATE, LATT, PLIVM).
Gedeeltelijke Identificatie: Het biedt een rigoureuze methode om de mogelijke waarden van de causale parameter te beperken tot een interval, in plaats van een enkel punt, wanneer onwaarneembare variabelen aanwezig zijn.
Integratie van Machine Learning: Door DML en cross-fitting te combineren met gevoeligheidsanalyse, maakt het artikel het mogelijk om hoge-dimensionale covariaten te controleren, wat essentieel is voor moderne econometrische toepassingen.
Praktische Inference Tools: Het ontwikkelt specifieke statistische procedures (inclusief Stoye's shrinkage-methode) om OVB-aangepaste betrouwbaarheidsintervallen te construeren die geldig zijn onder onzekerheid.

5. Significantie en Conclusie

De studie levert een unificerend raamwerk voor gevoeligheidsanalyse in de causale inferentie. De toepassing op de JTPA-data illustreert dat conclusies over behandelingseffecten sterk kunnen verschillen afhankelijk van het geslacht en de mate van rekening houden met OVB.

De belangrijkste conclusie is dat onderzoekers niet alleen moeten kijken naar puntsschattingen, maar ook de robuustheid van hun conclusies moeten testen tegen mogelijke weggelaten variabelen. Voor het JTPA-programma betekent dit dat de positieve effecten voor vrouwen betrouwbaar lijken, terwijl de effecten voor mannen minder overtuigend zijn en mogelijk worden gedreven door onwaarneembare factoren. Dit artikel biedt dus cruciale tools voor beleidsmakers en onderzoekers om de kwaliteit van causale claims in niet-lineaire settings te beoordelen.