Technische Samenvatting: Naar een Holistisch Begrip van Selectiebias voor Causal Effect Identificatie

1. Probleemstelling

Selectiebias is een alomtegenwoordige uitdaging in observationele studies, waarbij datapunten voorkeursgewijs worden opgenomen op basis van geobserveerde variabelen, wat leidt tot een discrepantie tussen de geselecteerde subpopulatie en de doelpopulatie. Een klassiek voorbeeld is de "gezonde vrijwilliger-bias" in biobanken, waarbij respondenten vaak een hogere sociaaleconomische status en betere gezondheid hebben dan de algemene bevolking.

Het kernprobleem dat wordt aangepakt, is de identificeerbaarheid van het Gemiddelde Behandelings-effect (ATE) in aanwezigheid van dergelijke bias. Specifiek onderscheidt het artikel twee doelen:

1. s-ATE-sub: Het schatten van de ATE binnen de geselecteerde subpopulatie.
2. s-ATE-full: Het schatten van de ATE voor de hele doelpopulatie met uitsluitend data van de geselecteerde subpopulatie.

De auteurs betogen dat het schatten van de s-ATE-full aanzienlijk uitdagender is omdat dit extrapolatie vereist buiten de waargenomen verdeling van de data. Bestaande methoden vertrouwen vaak op sterke aannames, zoals het identificeren van de exacte locatie van selectie in een causale Gerichte Acyclische Graaf (DAG) (bijvoorbeeld selectie-backdoor criteria) of het opleggen van restrictieve distributie-aannames (bijvoorbeeld niet-Gaussisch ruis in additieve ruismodellen). Deze benaderingen falen vaak in scenario's waar selectie afhankelijk is van complexe interacties of waar het selectiemechanisme niet volledig bekend is.

2. Methodologie

2.1. Theoretisch Kader

Het artikel stelt een op distributie gebaseerd kader voor in plaats van uitsluitend te vertrouwen op grafische criteria. Het definieert het probleem aan de hand van drie distributieklassen:

• Propensiteitsscores ($P_{t|x}$): De waarschijnlijkheid van behandeling gegeven covariaten.
• Covariaat-uitkomstverdelingen ($P_{xy(t)}$): De gezamenlijke verdeling van covariaten en potentiële uitkomsten.
• Selectiewaarschijnlijkheden ($P_{s|xyt}$): De waarschijnlijkheid dat een datapunt wordt opgenomen in de dataset.

De auteurs introduceren Voorwaarde 1, een noodzakelijke en voldoende voorwaarde voor de identificeerbaarheid van s-ATE-full. Deze voorwaarde stelt dat voor twee compatibele tupels van verdelingen die verschillende ATE's opleveren, hun waargenomen verdelingen (geconditioneerd op selectie $S=1$) moeten verschillen. Formeel: als twee onderliggende verdelingen $P$ en $Q$ verschillende ATE's hebben, moet er een punt $(x, y, t)$ in de steun bestaan waar het product van de selectiewaarschijnlijkheid, de propensiteitsscore en de uitkomstverdeling verschilt tussen $P$ en $Q$.

2.2. Belangrijkste Theoretische Resultaten

Het artikel toont aan dat Voorwaarde 1 geldt onder specifieke, relatief zwakke aannames:

• Deterministische Selectie: Als selectie deterministisch is (d.w.z. bepaalde gebieden van de data zijn volledig gecensureerd), is de ATE identificeerbaar als de covariaat-uitkomstverdelingen tot een gladde familie behoren (bijvoorbeeld polynoomparametrisaties) en de propensiteitsscores voldoen aan een zwakke overlapvoorwaarde ($c$-overlap). Dit maakt gebruik van resultaten uit getrimde statistiek om de oorspronkelijke verdeling te extrapoleren vanuit de getrimde (waargenomen) verdeling.
• Niet-deterministische Selectie: Als selectie probabilistisch is maar bounded away from zero (d-selection-overlap), is de ATE identificeerbaar voor een breed scala aan veelvoorkomende distributiefamilies, waaronder Gaussische, Laplace-, Pareto- en Log-normale verdelingen. De intuïtie is dat voor deze families verschillen in de gemiddelde uitkomsten zich manifesteren als onbegrensde verschillen in de dichtheidsverhoudingen, waardoor de waargenomen verdelingen verschillen als de ATE's verschillen.

2.3. Verbinding met Grafische Criteria

De auteurs tonen aan dat hun distributievoorwaarden bestaande grafische criteria generaliseren. Bijvoorbeeld:

• Het Selection-Backdoor-criterium (Correa et al., 2019) is een speciaal geval van Voorwaarde 1.
• Resultaten over uitkomst-afhankelijke selectie (Zhang et al., 2016), die eerder niet-Gaussische additieve ruismodellen vereisten, worden uitgebreid om Gaussische en andere zwaarstaartige verdelingen op te nemen binnen het voorgestelde kader.
• Het kader vereist niet het pinpointen van de exacte locatie van selectie in de DAG, waardoor een belangrijke praktische beperking van eerdere grafische benaderingen wordt omzeild.

2.4. Schattingsalgoritme

Wanneer de distributieklassen voldoen aan de geïdentificeerde voorwaarden, stelt het artikel een drie-traps schattingsprocedure voor (Algoritme 1):

1. Propensiteitsschatting: Schat de propensiteitsscore $\hat{e}(x)$ en identificeer het overlapgebied $B$ waar $c < \hat{e}(x) < 1-c$.
2. Modellering: Schat de conditionele uitkomstverdeling $\hat{P}(y|x, t)$ en de selectiebiasfunctie $\hat{\beta}(x, y, t)$. Dit wordt bereikt via:
   • Maximum Likelihood Estimation (MLE): Minimaliseren van de negatieve log-likelihood met regularisatie om indeterminatie te voorkomen.
   • Score Matching: Minimaliseren van de afstand tussen de gradiënt van de log-dichtheid van het model en de waargenomen data, wat invariant is voor schalingsfactoren.
3. Extrapolatie: Herweeg de waargenomen steekproeven met $1/\hat{\beta}$ om de populatiedichtheid te herstellen en de counterfactuele ATE te berekenen.

3. Belangrijkste Bijdragen

1. Algemene Definitie en Voorwaarden: Het artikel biedt een algemene definitie van selectiebias en stelt noodzakelijke en voldoende voorwaarden (Voorwaarde 1) vast voor ATE-identificeerbaarheid onder selectie, verdergaand dan specifieke grafische structuren.
2. Zwakere Aannames: In tegenstelling tot eerdere werken die niet-Gaussische ruis of specifieke functionele vormen vereisen, staat dit kader selectie toe die afhankelijk is van willekeurige geobserveerde variabelen en werkt met veelvoorkomende distributiefamilies (Gaussisch, Laplace, enz.) onder milde gladheidsaannames.
3. Uitbreiding van Identificeerbaarheid: De resultaten breiden het bereik van identificeerbare scenario's uit om settings op te nemen die eerder als niet-identificeerbaar werden beschouwd in de literatuur, met name die welke uitkomst-afhankelijke selectie met Gaussische ruis omvatten.
4. Praktische Schatters: Het artikel introduceert concrete schattingsmethoden (MLE en Score Matching met biascorrectie) die gebruikmaken van getrimde statistiek om te extrapoleren van geselecteerde steekproeven naar de volledige populatie.

4. Experimentele Resultaten

De auteurs evalueren hun methoden op zowel synthetische als semi-synthetische datasets:

• Synthetische Data: Experimenten werden uitgevoerd met verschillende ruisverdelingen (Gaussisch, Laplace) en functionele vormen (additief, multiplicatief). De voorgestelde methoden (MLE+β en SM+β) presteerden consequent beter dan baselines zoals Naive Inverse Propensity Weighting (IPW) en Polynoomregressie. De gecorrigeerde methoden verminderden de bias aanzienlijk, terwijl baselines faalden om rekening te houden met het selectiemechanisme.
• Semi-synthetische Data (All of Us): Met behulp van real-world covariaatverdelingen uit de NIH "All of Us"-dataset (Type 2 Diabetes en BMI) genereerden de auteurs synthetische uitkomsten. Hoewel de bias niet volledig werd geëlimineerd vanwege de complexiteit van real-world verdelingen (bijvoorbeeld zeer lage propensiteitsscores die leiden tot zwakke overlap), verminderden de voorgestelde methoden de bias aanzienlijk in vergelijking met baselines, wat robuustheid demonstreert in uitdagende, realistische settings.

5. Betekenis en Claims

Het artikel claimt een holistisch begrip van selectiebias te bieden door de focus te verschuiven van grafische topologie naar distributie-eigenschappen. De betekenis hiervan ligt in:

• Verbreding van Toepasbaarheid: Door de behoefte aan specifieke grafische structuren en sterke parametrische aannames (zoals niet-Gaussische ruis) te versoepelen, maakt het kader causale effectidentificatie haalbaar in een breder scala aan praktische scenario's.
• Theoretische Strenge: Het biedt voor het eerst noodzakelijke en voldoende voorwaarden voor s-ATE-full-identificeerbaarheid onder algemene selectiebias, en verduidelijkt precies wanneer en waarom identificatie mogelijk is.
• Methodologische Vooruitgang: De integratie van getrimde statistiek en score matching biedt een levensvatbaar pad voor het schatten van causale effecten in aanwezigheid van complexe selectiemechanismen waar traditionele aanpassingsmethoden falen.

De auteurs erkennen bescheiden beperkingen, met name dat de aannames betreffende distributieklassen, hoewel zwakker dan bij eerdere werken, nog steeds vereist zijn voor de theoretische garanties. Zij suggereren dat toekomstig werk zich kan richten op het versoepelen van deze aannames, het toepassen van het kader op causale ontdekking, en het verbeteren van schattingstechnieken voor zeer complexe real-world data-verdelingen.