Causal Identification under Interference: The Role of Treatment Assignment Independence

Dit artikel toont aan dat standaard causale identificatiemethoden (zoals regressie-discontinuïteit en verschil-in-verschillen) onder willekeurige interferentie nog steeds betrouwbare schattingen geven van gemiddelde directe effecten, mits de toewijzing van behandelingen tussen eenheden onafhankelijk is.

De kern

Stel je voor dat je een onderzoek doet naar de effectiviteit van een nieuw medicijn. Je geeft het medicijn aan een groep mensen en kijkt of ze beter worden. In de traditionele wetenschap gaan we ervan uit dat de resultaten van persoon A alleen afhangen van het medicijn dat persoon A heeft gekregen. Dit noemen we de "geen-interferentie" aanname.

Maar in de echte wereld werkt dat vaak niet zo. Stel dat het medicijn ervoor zorgt dat mensen minder hoesten. Als mijn buurman minder hoest, is de lucht in onze straat schoner, waardoor ik ook minder hoest. Mijn resultaat hangt dus niet alleen af van mijn pilletje, maar ook van de pillen van de rest van de buurt. Dat noemen we interferentie.

Dit wetenschappelijke artikel van Owusu en Márquez gaat precies over dat probleem. Hier is de uitleg in begrijpelijke taal.

Het probleem: De "Besmettelijke" Resultaten

De meeste economen en wetenschappers gebruiken standaardformules om te berekenen of een beleid (zoals een subsidie of een training) werkt. Die formules zijn gebouwd op de aanname dat iedereen een eilandje is: wat de één doet, heeft geen invloed op de ander.

Maar in de economie zijn we geen eilandjes. Als de overheid een trainingsprogramma voor werklozen start, kunnen de deelnemers elkaar helpen (positieve spillover), of kunnen ze juist met elkaar concurreren om dezelfde banen (negatieve spillover). Als je de standaardformules gebruikt zonder rekening te houden met dit "gepuzzel" tussen mensen, trek je de verkeerde conclusies. Je denkt dat het medicijn werkt, terwijl het eigenlijk alleen maar werkte omdat de rest van de buurt toevallig ook aan de medicijnen zat.

De ontdekking: De "Onzichtbare Hand" van de Toewijzing

De auteurs ontdekten iets heel interessants. Ze zeggen: "Oké, we weten dat mensen elkaar beïnvloeden. Dat is lastig, want we weten vaak niet hoe ze dat doen (wie praat met wie? wie woont bij wie?)."

Hun grote doorbraak is dat ze laten zien dat de standaardformules niet waardeloos zijn, mits er aan één belangrijke voorwaarde wordt voldaan. Die voorwaarde is: de toewijzing moet onafhankelijk zijn.

De Metafoor van de Loterij:
Stel je voor dat we een loterij houden om te bepalen wie een gratis training krijgt.

• Scenario A (Goed): We gooien een muntje voor elke persoon. De uitkomst van mijn muntje heeft niets te maken met jouw muntje. Zelfs als wij elkaar beïnvloeden, blijven de formules van de wetenschappers bruikbaar. Ze meten dan een "Direct Effect": wat doet de training met mij, ongeacht wat de rest doet.
• Scenario B (Fout): We gebruiken een systeem waarbij als mijn vriend de training krijgt, de kans dat ik hem ook krijg veel groter wordt. De loterij is nu "besmet". De standaardformules raken nu volledig in de war. Ze kunnen niet meer onderscheiden of het succes komt door de training, of door het feit dat de loterij mensen in groepjes verdeelde.

De Oplossing: De "Gevoeligheidsmeter"

Omdat onderzoekers in de echte wereld vaak niet weten of hun "loterij" (de manier waarop mensen een behandeling krijgen) onafhankelijk was, hebben de auteurs een nieuwe tool bedacht: een gevoeligheidsanalyse.

Je kunt dit vergelijken met een detective die een bewijsstuk onderzoekt. De detective zegt: "Ik heb een bewijs dat de verdachte schuldig is. Maar hoe sterk moet de corruptie bij de politie zijn geweest om dit bewijs te vervalsen?"

De nieuwe methode van de auteurs vertelt een onderzoeker: "Je conclusie is heel sterk; zelfs als de toewijzing van de behandeling een beetje afhankelijk was van anderen, blijft je resultaat overeind. Maar pas op: je conclusie is heel fragiel; een klein beetje samenwerking tussen deelnemers zou je hele onderzoek al onderuit kunnen halen."

Samenvatting in drie zinnen:

1. Het probleem: Wetenschappelijke formules gaan er vaak onterecht vanuit dat mensen elkaar niet beïnvloeden, terwijl dat in de economie wel gebeurt.
2. De nuance: Deze formules werken nog wel, mits de manier waarop mensen een behandeling krijgen (zoals een subsidie) niet afhankelijk is van wat anderen krijgen.
3. De tool: De auteurs bieden een nieuwe methode om te testen hoe kwetsbaar een onderzoek is voor deze "sociale besmetting".

Technische samenvatting

Technische Samenvatting: Causal Identification under Interference

Titel: Causal Identification under Interference: The Role of Treatment Assignment Independence
Auteurs: Julius Owusu & Monika Avila Márquez (2026)

1. Het Probleem (Problem Statement)

In de econometrie en causale inferentie wordt vaak de aanname van Individualistic Treatment Response (ITR) gebruikt. Deze aanname stelt dat de uitkomst van een eenheid ($i$) alleen afhangt van de eigen behandeling ($D_i$) en niet van de behandelingen van anderen ($D_{-i}$). In de praktijk is dit vaak onjuist: in economische systemen zijn er spillovers, netwerkeffecten en algemene evenwichtseffecten (bijv. arbeidsmarktconcurrentie).

Wanneer onderzoekers standaard identificatieformules gebruiken (zoals voor selection-on-observables, instrumental variables, difference-in-differences of regression discontinuity) terwijl er sprake is van interferentie, is de causale interpretatie van de resultaten onduidelijk. Het probleem is tweeledig:

1. Wat is het causale object dat deze formules daadwerkelijk schatten als de ITR-aanname faalt?
2. Hoeveel bias introduceert de afhankelijkheid tussen de behandeling van een individu en de behandelingen van anderen?

2. Methodologie (Methodology)

De auteurs hanteren een finite-population potential-outcomes framework met arbitraire interferentie. Dit betekent dat de potentiële uitkomst $Y_i(d)$ een functie is van de volledige vector van behandelingen $d = (d_1, \dots, d_N)$.

De kern van hun methodologie draait om de introductie van de Conditional Assignment Independence (CAI) aanname:
$$D_{-i} \perp \perp D_i \mid W_i$$
Dit houdt in dat, geconditioneerd op de geobserveerde covariaten ($W_i$), de behandeling van een individu onafhankelijk is van de behandelingen van anderen.

Daarnaast ontwikkelen de auteurs een gevoeligheidsanalyse (sensitivity analysis) voor het selection-on-observables design. Ze introduceren een parameter $\xi$ die de afwijking van de CAI kwantificeert door de variantie van het aantal behandelde eenheden binnen strata te modelleren. Dit stelt onderzoekers in staat om te bepalen hoe sterk de afhankelijkheid in de toewijzing moet zijn om een statistisch significante conclusie teniet te doen.

3. Belangrijkste Bijdragen (Key Contributions)

• Karakterisering van de Bias: Het paper biedt een formele decompositie van de bias die ontstaat in standaard identificatiestrategieën wanneer CAI wordt geschonden.
• Herdefinitie van Causale Objecten: Ze tonen aan dat de standaard formules niet "waardeloos" worden bij interferentie, maar dat ze transformeren naar andere, goed gedefinieerde causale parameters, zoals de Average Direct Effect (ADE).
• Nieuw Gevoeligheidskader: Een procedure om de robuustheid van inferentie te testen tegen schendingen van de onafhankelijkheid van toewijzing, vergelijkbaar met de methode van Rosenbaum (2002), maar dan specifiek gericht op interferentie.
• Software: De implementatie van een R-package (caisensitivity) om deze analyse toegankelijk te maken voor toegepaste economen.

4. Resultaten (Results)

De auteurs analyseren vier belangrijke identificatiemethoden:

1. Selection on Observables: Als CAI geldt, identificeert de formule de ADE. Als CAI faalt, is de schatting een combinatie van de ADE en een bias-term die voortvloeit uit de systematische verschillen in de verdeling van de behandelingen van anderen tussen de behandelde en onbehandelde groepen.
2. Instrumental Variables (IV): De Wald-ratio identificeert de Local Average Direct Effect (LADE) onder de voorwaarde dat de instrumenten onafhankelijk zijn over eenheden. Bij afhankelijkheid ontstaat er een bias die de effecten van de instrumenten op de behandelingen van anderen meeweegt.
3. Regression Discontinuity (RDD): Bij een sharp design identificeert de standaard formule de ADE, mits de running variable ($W_i$) onafhankelijk is van de running variables van anderen.
4. Difference-in-Differences (DiD): De formule identificeert de Average Direct Effect on the Treated (ADTT) onder CAI. Bij schending van CAI ontstaat bias doordat de onbehandelde trends tussen groepen verschillen door de verschillende verdelingen van de behandelingen van anderen.

Simulatie en Toepassing: De Monte Carlo-studies bevestigen dat de bias in de IPW-schatter (Inverse Probability Weighting) exponentieel toeneemt naarmate de afhankelijkheid in de toewijzing ($\rho$) groter wordt. De toepassing op de LaLonde dataset laat zien dat de gevoeligheid van de conclusies sterk afhangt van de verdeling van de uitkomsten (bijv. zware staarten/outliers maken de conclusies gevoeliger).

5. Betekenis (Significance)

Dit paper is van groot belang voor de toegepaste econometrie omdat het een brug slaat tussen de theoretische literatuur over interferentie (die vaak complexe netwerkstructuren vereist) en de praktijk (waarin die structuren vaak onbekend zijn).

De belangrijkste implicatie is dat economen die werken met data waar spillovers plausibel zijn, hun resultaten niet direct als "Average Treatment Effect (ATE)" moeten presenteren, maar als Average Direct Effect (ADE), mits zij kunnen rechtvaardigen dat de toewijzing van behandelingen (geconditioneerd op observabelen) onafhankelijk is over eenheden. Het biedt een rigoureus instrument om de betrouwbaarheid van causale claims in complexe, sociale omgevingen te toetsen.