Bayesian Sensitivity of Causal Inference Estimators under Evidence-Based Priors

Technische Samenvatting: Bayesiaanse Sensitiviteit van Causale Inferentie-schattingen onder Bewijsgebaseerde Priors

Probleemstelling
Causale inferentie in observationele studies is afhankelijk van niet-toetsbare aannames met betrekking tot het data-generatieproces, zoals onverwardheid, goed gespecificeerde conditionele uitkomstmodellen en externe validiteit. Sensitiviteitsanalyse is het standaardinstrument om de robuustheid van causale conclusies te beoordelen wanneer deze aannames worden geschonden. Bestaande kaders vertrouwen echter voornamelijk op worst-case sensitiviteitsanalyse. Deze methoden zoeken de kleinste afwijking van een aangenomen waarde die een causale beslissing omkeert (bijvoorbeeld het veranderen van het teken van een Average Treatment Effect, ATE).

De auteurs betogen dat worst-case analyses lijden aan drie kritieke beperkingen:

1. Onrealistische Schendingen: Ze identificeren vaak schendingen die wiskundig mogelijk zijn maar empirisch onwaarschijnlijk (bijvoorbeeld een verdelingsschift die het inkomen verhoogt terwijl het onderwijsniveau tegelijkertijd daalt), wat leidt tot overdreven pessimistische conclusies.
2. Dimensionaliteitsproblemen: In hoogdimensionale ruimten van aannames neigen worst-case analyses ertoe maximale sensitiviteit toe te kennen aan alle richtingen, waardoor ze oninformatief worden voor het prioriteren van hulpbronnen of toekomstige dataverzameling.
3. Gebrek aan Context: Ze behandelen alle potentiële schendingen als even waarschijnlijk, en negeren real-world kennis en empirisch bewijs over hoe variabelen daadwerkelijk samen variëren.

Methodologie
Het artikel stelt een unifyend kader voor om de s-waarde (Gupta & Rothenhäusler, 2023) te generaliseren naar drie veelvoorkomende causale aannames:

1. Geen Ongeobserveerde Verwarring: Gemodelleerd via odds-ratio-functies ($\epsilon$).
2. Goed Gespecificeerde Conditionele Modellen: Gemodelleerd via conditionele uitkomstverdelingen ($\mu$).
3. Externe Validiteit: Gemodelleerd via covariaatverdelingen ($p_X$).

Het kader definieert een assumptievariabele $a$ (die $\epsilon$, $\mu$, of $p_X$ vertegenwoordigt), een ruimte van mogelijke waarden $A$, en een divergentiemetriek $D$ (bijvoorbeeld KL-divergentie of Euclidische afstand) om de omvang van een schending ten opzichte van een aangenomen waarde $\hat{a}$ te meten.

1. Worst-Case Sensitiviteit (Basislijn)
De auteurs formaliseren de worst-case sensitiviteit als het supremum van de waarschijnlijkheid van een omkering over de set van aannames die de beslissing omkeren:
$$\sup_{a \in A} \{ \exp(-D(a \parallel \hat{a})) \mid \tau(a) \leq \delta \}$$
Dit wordt berekend via geconstrueerde optimalisatie (met behulp van Lagrange-multiplicatoren en Entropic Mirror Descent voor verdelingen).

2. Bayesiaanse Sensitiviteitswaarde (BSV)
Om de beperkingen van de worst-case-aanpak aan te pakken, introduceren de auteurs de Bayesiaanse Sensitiviteitswaarde (BSV). In plaats van te zoeken naar het enige worst-case-scenario, berekent BSV de verwachte sensitiviteit voor aannameschendingen onder een priorverdeling $\pi_A$ die is opgebouwd uit real-world bewijs.
$$\text{BSV} = \mathbb{E}_{A \sim \pi_A} [ \exp(-D(A \parallel \hat{a})) \mid \tau(A) \leq \delta ]$$

• Empirische BSV (EBSV): Wanneer data beschikbaar is, wordt de prior $\pi_A$ geconstrueerd uit externe databases (bijvoorbeeld NHANES voor covariaatverdelingen, eerdere subgroepanalyses voor uitkomstmodellen).
• Berekening: BSV wordt geschat met behulp van geconstrueerde Monte Carlo-steekproeven (specifiek rejection sampling). Steekproeven worden getrokken uit de prior $\pi_A$, alleen geaccepteerd als ze de causale beslissing omkeren ($\tau(A) \leq \delta$), en de gemiddelde divergentie wordt berekend.

Belangrijkste Bijdragen

• Gegeneraliseerd Kader: De auteurs breiden het s-waarde-kader uit om sensitiviteitsanalyse te unificeren voor onverwarring, conditionele uitkomstmodellen en externe validiteit, waardoor gerichte vragen over specifieke assumptiesubsets mogelijk zijn.
• Nieuw Criterium (BSV/EBSV): Ze stellen een sensitiviteitsmetriek voor die is geworteld in real-world bewijs en rekening houdt met de waarschijnlijkheid van specifieke schendingen, in plaats van alleen hun bestaan.
• Algoritmen: Het artikel levert praktische algoritmen voor beide criteria: geconstrueerde optimalisatie voor worst-case analyse en geconstrueerde steekproeven (Monte Carlo) voor Bayesiaanse analyse.
• Empirische Priors: Het werk demonstreert strategieën voor het construeren van empirische priors uit grote demografische en medische databases om sensitiviteitsanalyses in real-world settings te informeren.

Resultaten
De auteurs valideren hun aanpak via simulatiestudies en een real-world toepassing die het effect van diabetesbehandelingen (Semaglutide versus Tirzepatide) op gewichtsverlies analyseert.

• Dimensionaliteit: In simulaties met toenemend aantal covariaten convergeren worst-case sensitiviteitswaarden snel naar 1 (maximale sensitiviteit) met een bijna nul variatie, waardoor ze geen onderscheid kunnen maken tussen verschillende assumptieruimten. Daarentegen behoudt BSV variabiliteit en biedt het zinvolle rangschikkingen, zelfs in hoge dimensies.
• Correlatie: De sensitiviteitsrangschikkingen geproduceerd door BSV en worst-case analyse zijn vaak ongecorreleerd of negatief gecorreleerd. Worst-case analyses markeren hoogdimensionale ruimten vaak als zeer gevoelig, terwijl BSV specifieke, plausibele richtingen van schendingen identificeert.
• Real-world Toepassing: In de diabetesstudie suggereerde worst-case analyse een hoge sensitiviteit voor de subpopulatie "Gewicht > 220 lbs". EBSV, geïnformeerd door empirische priors uit NHANES- en UCI-datasets, gaf echter aan dat deze groep minder gevoelig was. De EBSV identificeerde correct dat de worst-case-verdeling die nodig was om de beslissing om te keren, onder real-world beperkingen zeer onwaarschijnlijk was.
• Informatiewinst: BSV biedt twee onderscheiden metrieken: de waarschijnlijkheid van een beslissingsomkering onder de prior en de gemiddelde "grootte" (divergentie) van de vereiste schending. Dit stelt praktici in staat onderscheid te maken tussen scenario's waarbij omkeringen waarschijnlijk zijn maar enorme schendingen vereisen, versus scenario's waarbij omkeringen zeldzaam zijn maar kleine schendingen vereisen.

Betekenis en Claims
Het artikel claimt dat conventionele worst-case sensitiviteitsanalyse vaak oninformatief en overdreven pessimistisch is, vooral in hoogdimensionale settings waar het faalt realistische verschuivingen in aannames te weerspiegelen. Door de focus te verschuiven van "wat is de ergst mogelijke schending?" naar "hoe gevoelig is de conclusie voor plausibele schendingen?", biedt de BSV een actievere tool voor besluitvorming.

De auteurs stellen dat BSV:

1. Analyse verankert in bewijs: Het maakt gebruik van bestaande grootschalige data om priors te construeren, en beweegt weg van arbitraire of puur theoretische aannames.
2. Prioritering van hulpbronnen verbetert: Door onderscheid te maken tussen plausibele en onplausibele sensitiviteitsrichtingen, helpt het onderzoekers beslissen waar ze zich op toekomstige dataverzameling en studieontwerp moeten richten.
3. Nuttig blijft in hoge dimensies: In tegenstelling tot worst-case methoden die oninformatief worden naarmate de dimensionaliteit toeneemt, blijft BSV gedifferentieerde inzichten bieden.

De auteurs blijven bescheiden wat betreft beperkingen, en merken op dat het construeren van empirische priors voor ongeobserveerde grootheden (zoals odds-ratio's $\epsilon$) nog steeds uitdagend blijft, en dat de methode gevoelig is voor de kwaliteit en representativiteit van de prior-data. Ze concluderen dat BSV, hoewel het een stap is naar realistischere sensitiviteitsanalyse, moet worden gebruikt naast traditionele worst-case methoden en transparante documentatie van de prior-construktie.