📊 statistics

Beyond principal ignorability: Nonparametric sensitivity bounds for principal stratification

Dit artikel introduceert een nonparametrisch sensitiviteitsanalyse-framework voor principale stratificatie dat scherpe grenzen afleidt voor principale causale effecten onder schendingen van de onverifieerbare principaal onafhankelijkheidsaanname, gebruikmakend van een margevrije begrenzingsfactor en de methodologie uitbreidend naar gegeneraliseerde causale effecten en paarvergelijkingen.

Oorspronkelijke auteurs: Xinyuan Chen, Michael O. Harhay, Fan Li

Gepubliceerd 2026-06-02

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Xinyuan Chen, Michael O. Harhay, Fan Li

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 zoeken of een nieuw medicijn (Behandeling) een ziekte (Resultaat) daadwerkelijk geneest. Maar er is een twist: voordat de patiënt beter wordt, moet hij een pil nemen die hem misschien ziek kan maken (Intermediaire Variabele).

In de wereld van de statistiek wordt dit Principal Stratification genoemd. Het is een manier om mensen te groeperen op basis van hoe ze zouden reageren op de pil, niet alleen op basis van hoe ze daadwerkelijk reageerden. Bijvoorbeeld:

De "Always-Takers": Mensen die de pil zouden nemen, wat er ook gebeurt.
De "Never-Takers": Mensen die de pil nooit zouden nemen.
De "Compliers": Mensen die de pil alleen nemen als je hen dat vertelt.
De "Defiers": Mensen die precies het tegenovergestelde doen van wat hen wordt verteld.

Het probleem is dat je deze groepen niet direct kunt zien. Je ziet alleen wie de pil daadwerkelijk heeft genomen en wie er beter is geworden. Om het ware effect van het medicijn op de "Compliers" te achterhalen, moeten statistici meestal een grote gok doen die Principal Ignorability wordt genoemd. Deze gok stelt: "De reden waarom iemand een 'Complier' is, heeft niets te maken met hoe ziek iemand is of hoe goed het medicijn voor hen werkt."

Het Probleem: Deze gok is niet te testen. Het is alsof je ervan uitgaat dat een verdachte onschuldig is, simpelweg omdat je nog geen motief hebt gevonden. Als deze gok fout is, kan je conclusie over het medicijn volledig onjuist zijn.

De Oplossing: Een "Sensitivity Safety Net" (Gevoeligheidsveiligheidsnet)

Dit artikel introduceert een nieuw hulpmiddel om te controleren hoe sterk die gok moet zijn voordat je conclusie in duigen valt. Zie het als een stress test voor je detectivewerk.

In plaats van alleen te zeggen: "We nemen aan dat de gok waar is," vragen de auteurs: "Hoeveel zou het verborgen motief (niet-gemeten confounder) moeten liegen om onze conclusie te laten verdwijnen?"

Ze gebruiken twee hoofd-"hendels" om dit verborgen motief te meten:

De Selection Lever (Selectiehendel): Hoeveel verandert het verborgen motief het type persoon dat iemand is? (bijv. Maakt ziek zijn iemand eerder een "Complier"?)
De Outcome Lever (Resultaathendel): Hoeveel verandert het verborgen motief het resultaat? (bijv. Maakt het ziek zijn dat het medicijn beter of slechter werkt?)

Ze combineren deze in één getal genaamd een Bounding Factor (Begrenzingsfactor).

Als dit getal 1 is, betekent dit dat er geen verborgen motief is en dat je oorspronkelijke gok perfect is.
Als het getal hoog is, betekent dit dat er een zeer sterk verborgen motief nodig is om je conclusie te ruïneren.
Als het getal laag is, betekent dit dat zelfs een klein verborgen motief je bevinding kan vernietigen.

De "Geneste" Ontdekking

De auteurs ontdekten iets heel cools over hun nieuwe hulpmiddel. Stel je een set Russische matroesjka-poppen voor:

De uiterste pop is het "Worst-Case Scenario" (Grootste scenario). Dit gaat ervan uit dat het verborgen motief zo kwaadaardig mogelijk is, waardoor de waarheid zo onduidelijk kan zijn als mogelijk.
De binnenste pop is hun nieuwe, precieze berekening.

Ze bewezen dat hun nieuwe, precieze grenzen altijd binnen de worst-case grenzen passen. Naarmate de "kwaadaardigheid" van het verborgen motief toeneemt, breiden hun precieze grenzen zich langzaam uit totdat ze de wanden van het worst-case scenario raken. Dit verbindt hun nieuwe methode met oudere, meer conservatieve methoden, wat laat zien dat ze allemaal deel uitmaken van dezelfde familie.

De "E-Value" (De "Hoe Sterk?" Meter)

Om dit begrijpelijk te maken, hebben ze een metriek ontwikkeld genaamd de Principal E-value.

Zie dit als een "sterktebeoordeling" van de leugen die je zou moeten vertellen om je resultaat te laten verdwijnen.
Als je E-waarde 2 is, betekent dit dat een niet-gemeten factor twee keer zo sterk zou moeten zijn als de sterkste factor die je al hebt gemeten om je resultaat teniet te doen.
Als je E-waarde 1.1 is, is je resultaat erg fragiel; een klein, bijna onzichtbaar factor kan het al ruïneren.

Twee Real-World Tests

De auteurs hebben hun hulpmiddel getest op twee echte datasets:

Huisvesting en Gezondheid: Ze keken naar de vraag of wonen in vochtige huizen depressie veroorzaakt. Ze ontdekten dat voor mensen die alleen ziek worden wanneer ze in vochtige omstandigheden wonen, het resultaat vrij robuust was. Het "verborgen motief" zou ongelooflijk sterk moeten zijn om het resultaat te laten verdwijnen.
Job Training (Banentraining): Ze keken naar de vraag of een jobtrainingprogramma mensen hielp meer te verdienen. Hier waren de resultaten veel kwetsbaarder. Voor sommige groepen kon zelfs een matig verborgen factor (zoals leeftijd of opleiding) de resultaten verklaren. Dit vertelt onderzoekers: "Pas op! Je conclusie hier is wankel."

Dieper Graven: De "Pairwise" Uitdaging

Het artikel pakt ook een moeilijkere versie van het probleem aan. In plaats van "Vóór vs. Na" voor één persoon te vergelijken, stel je je voor dat je twee verschillende mensen met elkaar vergelijkt om te zien wie het beter deed. Dit is nuttig voor zaken als "Wie heeft een grotere kans om te overleven?" of "Wie heeft een grotere kans om te winnen?".

De auteurs lieten zien dat wanneer je twee mensen vergelijkt, de wiskunde ingewikkelder wordt omdat het "verborgen motief" beide mensen tegelijkertijd beïnvloedt. Ze ontwikkelden een nieuwe set regels voor deze "pairwise" vergelijking, waarbij ze bewezen dat deze vergelijkingen nog gevoeliger zijn voor verborgen selectiebiases dan vergelijkingen tussen individuen.

De Kernboodschap

Dit artikel vertelt je niet wat het antwoord is; het vertelt je hoeveel je het antwoord kunt vertrouwen. Het geeft onderzoekers een manier om te zeggen: "Onze conclusie blijft standhouden, tenzij er een verborgen factor is die sterker is dan X." Het verandert een vage aanname in een concrete, meetbare veiligheidscontrole.

Technische Samenvatting: Voorbij Principale Onvatbaarheid: Niet-parametrische Gevoeligheidsgrenzen voor Principale Stratificatie

Probleemstelling
Principale stratificatie is een robuust kader voor het schatten van causale effecten in aanwezigheid van intermediaire variabelen (bijv. non-compliance, afkap door overlijden) door de populatie te verdelen in latente strata op basis van potentiële intermediaire uitkomsten. Echter, puntidentificatie van Principale Causale Effecten (PCE's) rust doorgaans op de aanname van Principale Onvatbaarheid (PI), die stelt dat potentiële finale uitkomsten conditioneel onafhankelijk zijn van de lidmaatschap van een latent stratum gegeven geobserveerde covariaten. Deze aanname is fundamenteel ontestbaar. Bestaande strategieën voor gevoeligheidsanalyse vertrouwen vaak op Bayesiaanse priors, specifieke distributieve aannames of structurele beperkingen zoals monotoniciteit en exclusierestricties. Er is behoefte aan een niet-parametrisch kader dat de schendingen van PI kwantificeert zonder deze restrictieve aannames, door scherpe grenzen en falsificatiedrempels te bieden voor zowel standaard PCE's als complexere estimanden.

Methodologie
De auteurs ontwikkelen een niet-parametrisch gevoeligheidsanalyse-kader dat de PI-aanname versoepelt door een niet-geobserveerde confounder $U$ te introduceren. De methodologie is gebouwd op drie kerncomponenten:

Gevoeligheidsparameters: Het kader introduceert twee marge-vrije relatieve risico (RR) parameters om de mate van PI-schending te karakteriseren:
- Selectie RR ( $RR_{SU}$ ): De maximale onbalans in de prevalentie van $U$ tussen een doel-principal stratum en een nuisance stratum binnen een covariaat-stratum.
- Uitkomst RR ( $RR_{UY}$ ): De maximale impact van $U$ op de verwachte potentiële uitkomst.
  Deze parameters generaliseren de confounder-gebaseerde bounding-factoren van Ding en VanderWeele (2016a, 2016b) naar de setting van principale stratificatie.
Afleiding van Bounding-factoren: De auteurs leiden een cel-specifieke bounding-factor, $BF_U$ , af, die een deterministische functie is van $RR_{SU}$ en $RR_{UY}$ . In tegenstelling tot standaard settings is het gemiddelde van het doel-stratum latent en komt het in het geobserveerde celgemiddelde terecht als een gewogen mengeling met een nuisance stratum. De menggewichten hangen af van de principale scores, die verder worden bepaald door de cross-world odds ratio parameter $\theta(x)$ (die de afhankelijkheid tussen $D(1)$ en $D(0)$ regelt). De afleiding houdt rekening met deze mengstructuur en de extra gevoeligheidsdimensie die wordt geïntroduceerd door $\theta(x)$ .
Scherpe Niet-parametrische Grenzen:
- Voor PCE's: De auteurs leiden scherpe grenzen af voor de conditionele en marginale PCE's ( $\Delta_s$ ) door de bounding-factor door de mengdecompositie te propageren. Deze grenzen zijn aangetoond binnen de "worst-case" niet-parametrische grenzen van Grilli en Mealli (2008) en Long en Hudgens (2013) te liggen, en convergeren naar deze pas wanneer de bounding-factor naar oneindig gaat.
- Voor PGCE's: Het kader wordt uitgebreid naar Principale Gegeneraliseerde Causale Effecten (PGCE's), gedefinieerd door algemene niet-lineaire contrastfuncties $h(\cdot)$ over een productruimte (bijv. probabilistische indices). Vanwege de niet-scheidbaarheid van niet-lineaire functies moet de uitkomst RR gezamenlijk worden gedefinieerd over ongemeten confounders van twee onafhankelijke replicaten. Dit resulteert in drie verschillende bounding-factoren ( $BF_{[1]}, BF_{[2]}, BF_{[1,2]}$ ) die de multiplicatieve stapeling van selectie-straffen reflecteren.

Belangrijkste Resultaten en Theoretische Bevindingen

Nesting-eigenschap: De voorgestelde grenzen liggen strikt genest binnen bestaande worst-case grenzen voor elke eindige bounding-factor. Wanneer de bounding-factor divergeert, convergeren de voorgestelde grenzen naar de worst-case grenzen, wat een continue algebraïsche brug vormt tussen puntidentificatie (onder PI) en maximale adversariële confounding.
Cornfield-type Condities en E-waarden: Het artikel leidt kritische falsificatiedrempels (Cornfield-type condities) af die vereist zijn om een doel-effect te nullificeren.
- Voor PCE's vestigt het een "Principale E-waarde", gedefinieerd als de minimale gezamenlijke grootte van de selectie- en uitkomst RR's die nodig is om het effect weg te verklaren.
- Voor PGCE's onthult de analyse drie verschillende drempels: een lagere drempel voor selectiebias, een lagere drempel voor uitkomstbias, en een globale maximumdrempel. De ordening van deze drempels ( $\gamma^*_{SU} < \gamma^*_{UY} < \Gamma^*$ ) formaliseert dat paarwijze estimanden structureel kwetsbaarder zijn voor selectie-confounding dan voor uitkomst-confounding vanwege de multiplicatieve aard van onafhankelijke selectiestrafjes.
Monotoniciteit: Onder de monotoniciteitsaanname vereenvoudigen de grenzen, en blijft de relatie met bestaande worst-case grenzen (Long en Hudgens, 2013) behouden.
Binaire Uitkomsten: Het kader biedt scherpe grenzen voor multiplicatieve estimanden (Risk Ratios en Odds Ratios) en demonstreert dat de falsificatiedrempels invariant zijn over causale contrastschalen (additief versus multiplicatief).

Empirische Illustraties
De methodologie wordt toegepast op twee real-world datasets:

WHO-LARES Studie: Het analyseren van het effect van vochtige huisvesting op depressie. De auteurs kwantificeren de robuustheid van het causale relatieve risico onder het "geschaade" stratum, waarbij zij aantonen dat geobserveerde covariaten (bijv. werkgelegenheid, roken) niet de magnitude bereiken die nodig is om het effect te nullificeren, wat suggereert dat de bevinding robuust is tegen matige ongemeten confounding.
U.S. Job Corps Studie: Het analyseren van het effect van training op inkomen (ordinale uitkomst) met behulp van een PGCE (probabilistische index). De analyse onthult dat het geschatte effect voor de vrouwelijke subgroep zeer gevoelig is; bekende covariaten (leeftijd, opleiding) overschrijden de vereiste confounding-magnitude om het effect te nullificeren, wat wijst op structurele fragiliteit in de causale identificatie voor deze groep.

Significantie en Claims
Het artikel claimt het eerste niet-parametrische gevoeligheidsanalyse-kader te bieden voor principale stratificatie dat:

Werkt zonder parametrische aannames, Bayesiaanse priors, monotoniciteit of exclusierestricties.
Bestaande uiteenlopende literatuurstromen (bijv. worst-case grenzen versus PI-gebaseerde grenzen) verenigt via een continue gevoeligheidsparameter.
De gevoeligheidsanalyse uitbreidt naar de bredere klasse van PGCE's, waarmee een gat wordt gedicht in het omgaan met complexe uitkomsten (ordinaal, categorisch) en niet-lineaire contrasten.
Nieuwe theoretische inzichten biedt met betrekking tot de structurele kwetsbaarheid van paarwijze estimanden voor selectie-confounding vergeleken met uitkomst-confounding.
Hanteerbare instrumenten biedt (scherpe grenzen, E-waarden, falsificatiecontouren) voor onderzoekers om de robuustheid van causale claims te beoordelen in de aanwezigheid van ongemeten confounding tussen latente strata en uitkomsten.

De auteurs tonen bescheidenheid over toekomstige richtingen door op te merken dat het uitbreiden van het kader naar continue intermediaire variabelen en het integreren van debiased machine learning voor hoog-dimensionale covariaat-aanpassing noodzakelijke vervolgstappen zijn die in dit werk nog niet zijn behandeld.