📊 statistics

Causal inference for spatiotemporal point processes in the presence of outcome spillover and carryover

Deze paper ontwikkelt een raamwerk voor causale inferentie bij spatiotemporele puntprocessen met uitkomstspillover en -doorwerking, dat een schatting mogelijk maakt van het effect van afvalwaterinjectie op aardbevingen in Oklahoma.

Oorspronkelijke auteurs: Conor Kresin, Duncan A. Clark, Louis Davis, Martin Hazelton

Gepubliceerd 2026-04-15

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Conor Kresin, Duncan A. Clark, Louis Davis, Martin Hazelton

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 enorme, levende stad observeert waar overal en nergens gebeurtenissen plaatsvinden: een auto die crasht, een ziekte die uitbreekt, of een aardbeving die begint. In de statistiek noemen we dit een ruimtelijk-temporeel puntproces. Het zijn gewoon punten in een kaart (ruimte) en een klok (tijd).

De auteurs van dit artikel, Conor Kresin en zijn collega's, willen een heel specifiek probleem oplossen: Hoe weten we of een ingreep (zoals een nieuw beleid of een medicijn) echt werkt, als de gebeurtenissen in deze stad met elkaar "praten"?

Hier is een uitleg in gewone taal, met wat creatieve metaforen.

1. Het Probleem: De "Gierige" Aardbevingen en de Besmettelijke Ziekte

Stel je voor dat je een nieuw beleid invoert in een specifieke wijk om aardbevingen te voorkomen (misschien door minder afvalwater in de grond te pompen).

Het simpele idee: Je telt de aardbevingen in die wijk voor en na het beleid. Minder aardbevingen? Dan werkt het!
Het echte probleem: Aardbevingen zijn niet alleen. Als er een grote schok is, kan die "energie" over de grens naar de buurwijk springen en daar een nieuwe schok veroorzaken. Dit noemen de auteurs spillover (overloop) of carryover (doorloop).
De valkuil: Als je niet oplet, denk je dat je beleid werkt omdat er minder aardbevingen zijn, terwijl het eigenlijk alleen maar zo lijkt omdat de aardbevingen uit de "behandelde" wijk naar de "niet-behandelde" wijk zijn verplaatst. Of andersom: een aardbeving in de buurwijk kan een schok veroorzaken in jouw wijk, waardoor je denkt dat je beleid faalt, terwijl het eigenlijk wel werkt.

Het is alsof je probeert te meten of een paraplu werkt in een regenbui, maar de wind blaast de regen van de ene plek naar de andere. Als je alleen kijkt naar de plek waar je de paraplu hebt, zie je niet het hele plaatje.

2. De Oplossing: Het "Onzichtbare Dubbelganger"-Principe

De auteurs zeggen: "Laten we niet gewoon tellen, maar laten we proberen te raden wat er echt gebeurt."

Stel je voor dat elke gebeurtenis (elk puntje op de kaart) twee mogelijke identiteiten heeft:

De "Natuurlijke" identiteit: Het zou toch wel gebeurd zijn (bijvoorbeeld een natuurlijke aardbeving).
De "Beïnvloede" identiteit: Het is veroorzaakt door de behandeling (of juist vermeden door het beleid).

Het probleem is dat we in de echte wereld niet kunnen zien welke identiteit een gebeurtenis heeft. We zien alleen het puntje. Het is alsof je een bonte massa van witte en zwarte ballen ziet, maar je weet niet welke witte ballen eigenlijk zwart zijn en andersom.

3. De Methode: Het Gokspel van de "Stochastische EM"

Om dit op te lossen, gebruiken ze een slimme rekenmethode die ze Stochastische EM noemen. Je kunt dit vergelijken met een spelletje "Gok en Verbeter":

De Gok (E-stap): Ze beginnen met een gok. "Laten we aannemen dat alle gebeurtenissen in de behandelde wijk 'beïnvloed' zijn en de rest 'natuurlijk'."
De Berekening (M-stap): Op basis van die gok berekenen ze een model. Ze kijken: "Als we dit aannemen, past het dan bij de patronen die we zien? Past de timing? Past de locatie?"
Het Verbeteren: Ze zien dat hun gok niet perfect was. Misschien was die ene aardbeving in de behandelde wijk eigenlijk een "natuurlijke" die toevallig daar landde. Ze passen hun gok aan.
Herhaling: Ze doen dit duizenden keren. Elke keer wordt hun gok slimmer. Ze leren het model de patronen van de "natuurlijke" chaos en de "beïnvloede" rust van elkaar te onderscheiden, zelfs als ze door elkaar heen lopen.

4. Waarom is dit zo moeilijk? (De "Vervlochten" Geschiedenis)

In een simpel systeem (zoals regen die alleen maar valt) is het makkelijk. Maar in dit systeem is alles geschiedenis-afhankelijk.

Als je één puntje verkeerd identificeert (bijvoorbeeld: je denkt dat het een "natuurlijke" aardbeving was, maar het was eigenlijk een "beïnvloede"), dan verandert dat je voorspelling voor alle toekomstige gebeurtenissen.
Het is als een dominosteenrij. Als je één steen verkeerd neerzet, valt de hele rij verkeerd om.

De auteurs bewijzen wiskundig dat hun methode toch werkt, zolang je maar genoeg data hebt en het "ruis" (de onduidelijke plekken) niet te groot is. Ze noemen dit een "statistische vloer": er is een punt waarop je niet verder kunt verbeteren, maar dat punt is zo laag dat het voor praktische doeleinden prima is.

5. Het Reële Voorbeeld: Oklahoma en Aardbevingen

Om te laten zien dat het werkt, kijken ze naar een echt probleem in Oklahoma (VS).

De situatie: Er werden veel afvalwaterputten gesloten om aardbevingen te stoppen.
De verwarring: Aardbevingen hebben een lange "staart". Een grote schok kan maanden later nog steeds kleine schokjes veroorzaken. Ook verspreiden ze zich over de staat.
Het resultaat: Als je de simpele methode gebruikt (alleen tellen), denk je dat het beleid heel goed werkt (veel aardbevingen voorkomen). Maar met hun nieuwe, slimme methode (die de "spillover" en "carryover" corrigeert), blijkt dat het effect in de korte termijn misschien wel negatief is of veel kleiner dan gedacht. De aardbevingen die je "zag" verdwijnen, waren misschien gewoon verschoven of vertraagd, niet echt gestopt.

Samenvatting in één zin

Dit artikel leert ons hoe we het echte effect van een beleid kunnen meten in een wereld waar alles met elkaar verbonden is, door slim te gokken welke gebeurtenissen "echt" door het beleid zijn veroorzaakt en welke gewoon toeval waren, zelfs als die gebeurtenissen door elkaar heen lopen als een bont tapijt.

De kernboodschap: Als je niet kijkt naar hoe dingen "overlopen" naar elkaar toe, mis je het echte verhaal. En met hun nieuwe rekenmethode kunnen we dat verhaal eindelijk lezen.

1. Probleemstelling

Het artikel adresseert een fundamentele uitdaging in de causale inferentie: het schatten van de effecten van interventies op continue spatiotemporale puntprocessen (bijv. aardbevingen, epidemieën, financiële transacties) wanneer sprake is van uitkomst-spillover (ruimtelijke afhankelijkheid) en carryover (tijdsafhankelijkheid).

De kernproblemen zijn:

Aanwezigheid van Spillover: In spatiotemporale data kunnen gebeurtenissen in de ene regio "exciteren" of beïnvloeden in de tijd en ruimte. Een behandeling in regio A kan dus de uitkomsten in regio B beïnvloeden, zelfs als B niet behandeld is. Dit schendt de standaard aanname van onafhankelijke eenheden.
Verlies van Informatie bij Aggregatie: Traditionele methoden aggregeren data vaak naar ruwe tellingen per ruimtelijke eenheid (bijv. per stad of district). Dit verwijdert de exacte tijdstippen en locaties, wat essentieel is om de complexe interacties en de onderliggende dynamiek van het puntproces te modelleren.
Onzichtbare Labels: Na een interventie is de waargenomen reeks van gebeurtenissen een ongelabelde superpositie van een latente controle-component ( $N_0$ ) en een behandelings-component ( $N_1$ ). Het is onbekend welke gebeurtenis uit welke component komt, wat de schatting van de intensiteiten bemoeilijkt.
Identificeerbaarheid: Zonder correcte modellering van deze afhankelijkheden leiden standaard causale methoden tot inconsistente schattingen en ongeldige inferentie.

2. Methodologie

De auteurs ontwikkelen een modelgebaseerd raamwerk dat de volgende stappen combineert:

A. Causaal Raamwerk en Potentiële Uitkomsten

De post-interventie periode wordt opgedeeld in een eindig aantal cellen (tessellatie) $\mathcal{T} = \{I_j\}$ .
Potentiële uitkomsten worden geïndexeerd door de volledige toewijzing van behandelingen ( $z \in \{0,1\}^J$ ), niet alleen per cel, vanwege de spillover.
Het waargenomen proces $N$ wordt gemodelleerd als $N = N_0 + N_1$ , waarbij $N_0$ en $N_1$ respectievelijk de controle- en behandelingscomponenten zijn.
De auteurs definiëren causale estimands zoals het Individual Treatment Effect (ITE) en Average Individual Treatment Effect (AITE) op basis van de verwachte aantallen gebeurtenissen onder verschillende toewijzingen.

B. Modelspecificatie

Het model maakt gebruik van conditionele intensiteiten die afhankelijk zijn van de volledige geschiedenis (history-dependent), zoals bij Hawkes-processen (die zelf-excitatie en clustering modelleren) of Poisson-processen.
Covariaten (zoals bevolkingsdichtheid of seizoensinvloeden) worden als exogeen behandeld.
Voor identificatie worden standaard aannames gebruikt (Consistency, Exchangeability, Positivity) aangepast voor interferentie, gecombineerd met een regime-stabiel structureel puntprocesmodel om schattingen buiten de steekproefsteun (off-support) mogelijk te maken.

C. Schattingsalgoritme: Stochastische EM (SEM)

Omdat de labels ( $r_i \in \{0,1\}$ ) van de gebeurtenissen onbekend zijn, wordt een Expectation-Maximization (EM)-benadering gebruikt.
E-stap: Schat de waarschijnlijkheid dat een gebeurtenis tot de behandelings- of controlecomponent behoort, gegeven de huidige parameters.
M-stap: Maximaliseer de log-likelihood om de parameters van de intensiteitsfuncties te updaten.
Omdat de exacte verwachtingen in de E-stap onberekenbaar zijn bij sterke geschiedenisafhankelijkheid (de labels zijn niet onafhankelijk), gebruiken de auteurs een Stochastic EM (SEM) benadering. Dit omvat het trekken van steekproeven van labels via een "discrepancy-guided proposal" die zich richt op gebieden waar het model en de data het meest afwijken.

D. Theoretische Analyse (Finite-Sample Theory)

De auteurs analyseren een idealiserde predictable blockwise hard-EM surrogate om de convergentie te begrijpen.
Ze bewijzen een niet-asymptotische contractie van de schattingsfout naar een "statistische vloer" (statistical floor).
Deze vloer wordt bepaald door:
1. Ambiguïteitsgebieden: Gebieden waar de log-ratio van de intensiteiten dicht bij nul ligt (waar het moeilijk is om te onderscheiden of een gebeurtenis tot $N_0$ of $N_1$ behoort).
2. Martingale fluctuaties: Stochastische ruis in de data.
Ze tonen aan dat onder bepaalde voorwaarden (zoals voldoende signaal en een geschikte keuze van de drempelwaarde $b$ ) de fout geometrisch convergeert naar deze vloer.

3. Belangrijkste Bijdragen

Nieuw Causaal Raamwerk: De eerste methode die causale inferentie toepast op continue spatiotemporale puntprocessen met expliciete modellering van spillover en carryover, zonder aggregatie tot ruwe tellingen.
Identificatie en Schatting: Een rigoureuze afleiding van identificatievoorwaarden en een praktisch schattingsalgoritme (SEM) dat werkt met ongelabelde data.
Theoretische Garantieën: Een nieuwe theoretische analyse die de convergentie van SEM in dit complexe setting beschrijft, inclusief de afleiding van de "statistische vloer" en voorwaarden voor consistentie in een groeiend venster regime.
Toepassingsgericht: Het toepassen van de methode op een reëel probleem: de causale impact van het verminderen van afvalwaterinjectie op aardbevingsactiviteit in Oklahoma.

4. Resultaten

Simulatiestudie:
- De SEM-methode presteert aanzienlijk beter dan een "naieve" benadering (waarbij gebeurtenissen direct worden toegewezen aan de behandeling op basis van locatie).
- De naieve methode onderschat het behandelingseffect omdat spillover vanuit hoge-productiviteitscontrolegebieden de behandelingscomponent "vervuilt".
- SEM herstelt de parameters en de causale estimands nauwkeurig, zelfs bij aanwezigheid van sterke Hawkes-afhankelijkheid.
Toepassing op Oklahoma (Aardbevingen):
- De studie evalueert het effect van een directive van de Oklahoma Corporation Commission (OCC) om afvalwaterinjectie te verminderen.
- Resultaat: De naieve methode suggereerde dat het beleid ongeveer 341 aardbevingen had voorkomen. De SEM-methode, die rekening houdt met spillover en carryover, schatte echter een negatief effect (-118), wat impliceert dat er in de korte termijn geen significante afname was en dat de naieve methode de effecten had vertekend door de langdurige dynamiek van de seismische activiteit te negeren.
- Dit illustreert dat het negeren van spillover kan leiden tot ernstig verkeerde beleidsconclusies.

5. Betekenis en Implicaties

Beleid en Wetenschap: De paper waarschuwt dat causale conclusies over spatiotemporale fenomenen (zoals epidemieën of aardbevingen) gevoelig zijn voor de manier waarop afhankelijkheid wordt gemodelleerd. Het negeren van spillover kan leiden tot het overschatten of onderschatten van interventie-effecten.
Methodologische Vooruitgang: Het biedt een brug tussen de literatuur over causale inferentie (vaak gebaseerd op discrete eenheden) en de literatuur over puntprocessen (vaak gebaseerd op pure statistiek zonder causale focus).
Praktische Toepasbaarheid: De methode is implementeerbaar in software (het R-pakket PPDisentangle) en biedt een robuust alternatief voor traditionele aggregatiemethoden, waardoor meer informatie uit de data gehaald kan worden.
Toekomstige Richtingen: Het paper opent de deur voor niet-parametrische uitbreidingen en toepassing op andere domeinen zoals epidemiologie (infectieverspreiding) en finance (handelstransacties).

Samenvattend biedt dit artikel een robuust theoretisch en praktisch kader om de causale effecten van interventies te meten in complexe, dynamische spatiotemporale systemen waar gebeurtenissen elkaar beïnvloeden, en toont het aan dat het negeren van deze dynamiek leidt tot fundamenteel verkeerde conclusies.