📊 statistics

A Law of Iterated Expectation Primer for Causal Inference

Dit artikel biedt een introductie die de relatie tussen de wet van de iteratieve verwachting en de g-formule voor causale inferentie verduidelijkt, waarbij zowel niet-iteratieve als iteratieve vormen van de formule worden gepresenteerd en hun toepassing wordt geïllustreerd door middel van progressief complexe numerieke voorbeelden.

Oorspronkelijke auteurs: Ashley I. Naimi, Razieh Nabi, Lindsay J. Collin, Paul N. Zivich, Stephen R. Cole

Gepubliceerd 2026-06-19

📖 7 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Ashley I. Naimi, Razieh Nabi, Lindsay J. Collin, Paul N. Zivich, Stephen R. Cole

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

Het Grote Plaatje: Waarom hebben we dit nodig?

Stel je voor dat je wilt weten of een specifiek medicijn (laten we het "Tamoxifen" noemen) daadwerkelijk voorkomt dat borstkanker terugkeert. In een perfecte wereld zou je het medicijn aan één groep mensen geven en een suikerpil aan een andere groep, en dan de resultaten vergelijken. Dit is een gerandomiseerde studie.

Maar in de echte wereld hebben we vaak alleen observationele data. We kunnen mensen niet dwingen om medicijnen te slikken; we kijken alleen naar wat ze zelf kiezen te doen. Het probleem is dat mensen die voor het medicijn kiezen, misschien anders zijn dan degenen die dat niet doen (misschien zijn ze zieker, of hebben ze een andere genetica). Deze verschillen worden confounders (verstorende variabelen) genoemd. Als we hier geen rekening mee houden, kunnen we het medicijn de schuld geven van iets dat eigenlijk werd veroorzaakt door de onderliggende gezondheid van de patiënt.

Dit artikel is een "primer" (een gids voor beginners) over hoe je dit wiskundige probleem oplost. Het legt een specifieke wiskundige tool uit die de Wet van de Iteratie van Verwachtingen (Law of Iterated Expectation) wordt genoemd, en laat zien hoe deze ons helpt om rommelige, echte data om te zetten in een duidelijk antwoord over oorzaak en gevolg.

Het Kernconcept: De "Wet van de Iteratie van Verwachtingen"

Beschouw deze wet als een manier om een gewogen gemiddelde te berekenen.

Stel je voor dat je een schooldirecteur bent die probeft het gemiddelde toetscijfer van de hele school te vinden.

De Simpele Manier: Je telt simpelweg alle cijfers van alle leerlingen bij elkaar op en deelt dit door het aantal leerlingen. Dit is de "marginale verwachting".
De "Iteratieve" Manier: Je realiseert je dat de school verschillende leerjaren heeft (1e klas, 2e klas, etc.). Je berekent eerst het gemiddelde cijfer voor de 1e klas, dan het gemiddelde voor de 2e klas, enzovoort. Vervolgens neem je die gemiddelden per leerjaar en combineer je ze, maar je weegt ze op basis van hoeveel leerlingen er in elke klas zitten.

De Wet van de Iteratie van Verwachtingen zegt simpelweg: Je krijgt hetzelfde uiteindelijke antwoord of je nu iedereen tegelijk gemiddeld of als je eerst de groepen gemiddeld en de groepen vervolgens combineert.

In het artikel leggen de auteurs uit dat deze wiskundige identiteit de motor is achter de g-formule, een beroemde tool die wordt gebruikt om causale effecten te achterhalen.

Twee manieren om dezelfde auto te besturen: NICE en ICE

Het artikel introduceert twee verschillende manieren om deze wiskunde te gebruiken om het causale probleem op te lossen. Ze zijn wiskundig identiek (ze geven exact hetzelfde antwoord), maar ze kijken op een andere manier naar de data. De auteurs noemen ze NICE en ICE.

1. NICE (Non-Iteratieve Conditionele Verwachting)

De Analogie: De "Receptenboek"-benadering.
Stel je voor dat je het gemiddelde lengte van alle mensen in een stad wilt weten, maar je hebt alleen gegevens van mensen die rode hoeden en blauwe hoeden dragen.

Hoe NICE werkt: Je kijkt naar de "Rode Hoed"-groep en berekent hun gemiddelde lengte. Je kijkt naar de "Blauwe Hoed"-groep en berekent hun gemiddelde lengte. Vervolgens kijk je in de volkstelling van de stad om te zien welk percentage van de mensen rode hoeden versus blauwe hoeden draagt. Ten slotte meng je die twee gemiddelden met de percentages uit de volkstelling als gewichten.
In het artikel: De auteurs laten dit zien met een eenvoudig voorbeeld van Tamoxifen en lymfeklieren. Ze berekenen het recidiefpercentage voor verschillende groepen en "pluggen" vervolgens de getallen in om tot een definitief gewogen gemiddelde te komen.

2. ICE (Iteratieve Conditionele Verwachting)

De Analogie: De "Voorspellingsmachine"-benadering.
Stel je voor dat je een weervoorspeller bent. In plaats van alleen het verleden te middelen, bouw je een model dat het weer voor elke dag voorspelt op basis van de omstandigheden van die dag.

Hoe ICE werkt: Je neemt je data, haalt ze door een model en genereert een "voorspelde uitkomst" voor elke persoon in je dataset (alsof ze allemaal het medicijn hadden genomen). Daarna neem je simpelweg het gemiddelde van al die voorspellingen.
In het artikel: De auteurs laten zien dat je dit kunt doen door een lijst van "wat als"-voorspellingen voor elke persoon te maken en deze vervolgens gemiddeld te nemen.

De Belangrijkste Les: Of je nu het "Receptenboek" (NICE) gebruikt of de "Voorspellingsmachine" (ICE), je komt op hetzelfde getal uit. Het artikel bewijst dat deze twee methoden slechts twee verschillende manieren zijn om dezelfde wiskundige zin op te schrijven.

Het Wordt Complexer: Tijd en Bewegende Onderdelen

Het artikel stopt niet bij eenvoudige voorbeelden. Het laat zien hoe dit werkt wanneer zaken ingewikkelder worden:

Meer Variabelen: Wat als leeftijd, inkomen, ras en geslacht allemaal door elkaar lopen? Het "Receptenboek" (NICE) wordt dan heel moeilijk te schrijven omdat er te veel combinaties zijn. De "Voorspellingsmachine" (ICE) is veel makkelijker omdat je de computer het rekenwerk laat doen.
Tijdsafhankelijke Confounders: Dit is het moeilijkste deel. Stel je het volgende scenario voor:
- Je neemt een medicijn op Tijdstip 1.
- Dat medicijn verandert je gezondheid (een confounder) op Tijdstip 2.
- Die nieuwe gezondheidstoestand beïnvloedt of je een tweede dosis van het medicijn neemt op Tijdstip 2.
- Ten slotte kijk je naar de uitkomst op Tijdstip 3.
In dit scenario falen standaard statistieken omdat de "confounder" (jouw gezondheid) door de behandeling zelf is veranderd. Het artikel laat zien dat de g-formule (gebruikmakend van de Wet van de Iteratie van Verwachtingen) de enige manier is om deze knoop te ontwarren. Dit doet het door achteruit te werken:
- Eerst voorspel je de uitkomst aan het einde.
- Werk dan terug om te voorspellen wat er op Tijdstip 2 gebeurde.
- Werk dan terug naar Tijdstip 1.
- Neem tot slot het gemiddelde van alles.
Het artikel noemt dit "backward recursion" (achterwaartse recursie). Het is als het oplossen van een doolhof door bij de uitgang te beginnen en achteruit naar de ingang te lopen.

Wat de Auteurs Daadwerkelijk Beweren (en Wat Niet)

Ze BEWEREN: De Wet van de Iteratie van Verwachtingen is het wiskundige fundament dat ons in staat stelt om "wat we observeerden" om te zetten in "wat er zou zijn gebeurd" (causale effecten).
Ze BEWEREN: De NICE- en ICE-methoden wiskundig gelijkwaardig zijn. Ze vertegenwoordigen hetzelfde, maar dan anders opgeschreven.
Ze BEWEREN: In eenvoudige situaties (tijd-vaststaand) zijn beide methoden gemakkelijk. In complexe situaties (tijd-variërend) is de ICE-methode (achteruit werken) vaak makkelijker te coderen en robuuster tegen bepaalde soorten fouten.
Ze BEWEREN NIET: Dat dit artikel nieuwe medische resultaten, nieuwe klinische richtlijnen of specifiek advies voor artsen over hoe ze patiënten moeten behandelen biedt. Het is puur een gids over de wiskunde en de logica van het analyseren van data.
Ze BEWEREN NIET: Dat de ene methode "beter" is dan de andere in algemene zin; het zijn slechts verschillende instrumenten voor dezelfde taak. Ze merken echter wel op dat als je wiskundige modellen fout zijn, beide methoden foutieve antwoorden kunnen geven.

De Kernboodschap

Dit artikel is een vertaler. Het neemt een zeer dicht, intimiderend wiskundig concept (de Wet van de Iteratie van Verwachtingen) en legt uit hoe het fungeert als de brug tussen ruwe data en causale waarheid. Het laat onderzoekers zien dat of ze nu een "gewogen gemiddelde"-benadering of een "stap-voor-stap voorspelling"-benadering gebruiken, ze dezelfde fundamentele logica gebruiken om de vraag te beantwoorden: "Wat zou er gebeurd zijn als we iets anders hadden gedaan?"

Technische Samenvatting: Een Introductie tot de Wet van de Iterated Expectation voor Causale Inferentie

Probleemstelling
De g-formule is een fundamenteel instrument voor het identificeren van causale effecten in observationele data, waarbij zwaar wordt geleund op de wet van de iterated expectation (LIE). De wiskundige notatie die wordt gebruikt om de LIE en de g-formule uit te drukken — die vaak integratie met betrekking tot kansmaten omvat (bijv. $dP(x)$) — kan echter opaak zijn voor onderzoekers met een beperkte achtergrond in wiskundige statistiek. Deze opaciteit vormt een barrière voor het begrijpen van de mechanica van veelgebruikte causale estimators, zoals parametrische g-computation. Bovendien bestaat er vaak verwarring over de relatie tussen de statistische identiteit van de LIE en de causale identificatie die door de g-formule wordt geboden, evenals het onderscheid tussen de twee nonparametrisch equivalente vormen van de g-formule: de non-iteratieve conditionele verwachting (NICE) en de iteratieve conditionele verwachting (ICE).

Methodologie
Dit artikel dient als een primer die ontworpen is om de kloof te overbruggen tussen abstracte wiskundige identiteiten en praktische causale inferentie. De auteurs hanteren een pedagogische aanpak met behulp van drie progressief complexere numerieke voorbeelden om de toepassing van de LIE en de g-formule te illustreren:

Tijd-gefixeerd voorbeeld (Binaire Confounder): Met behulp van gegevens over tamoxifengebruik en borstkankerrecidive demonstreren de auteurs de g-formule met een enkele binaire confounder. Ze berekenen expliciet het causale risicoververschil met zowel de NICE-vorm (een gewogen som van conditionele gemiddelden) als de ICE-vorm (geneste verwachtingen), waarbij zij laten zien dat deze identieke resultaten opleveren.
Tijd-gefixeerd voorbeeld (Gemengde Confounders): Gebruikmakend van NHANES-data schatten de auteurs het effect van stoppen met roken op gewichtsverandering, waarbij zij een scenario adresseren met een multivariate vector van confounders (continu, binair en categorisch). Zij contrasteren de computationele inspanning van de NICE-vorm (die expliciete stratificatie en weging vereist) met de computationele eenvoud van de ICE-vorm (het middelen van voorspellingen over de empirische distributie).
Tijd-variërend voorbeeld: Met behulp van een gesimuleerde dataset met twee tijdstippen adresseren de auteurs settings waarin standaard regressie faalt door tijd-variërende confounding die wordt beïnvloed door eerdere blootstelling. Zij demonstreren hoe de LIE zich uitstrekt naar sequentiële settings, waarbij zij de g-formule voor counterfactuele gemiddelden afleiden. Zij details de implementatie van zowel de NICE-vorm (die modellering van de distributie van de confounder vereist om gewichten te genereren) als de ICE-vorm (gebruikmakend van backward recursion/sequentiële regressie).

Gedurende al deze voorbeelden vertrouwen de auteurs op standaard causale identificatie-aannames: causale consistentie, positiviteit (en sequentiële positiviteit), en conditionele exchangeability (en sequentiële conditionele exchangeability).

Belangrijkste Bijdragen

Verheldering van Notatie: Het artikel demystificeert de integratienotatie ( $\int \cdot dP(x)$ ) die wordt gebruikt in de LIE, door uit te leggen dat dit een gewogen gemiddelde is waarbij de gewichten worden bepaald door de kansverdeling van de covariaten. Het maakt een onderscheid tussen de statistische identiteit van de LIE en de causale g-formule, waarbij wordt opgemerkt dat de laatste wordt afgeleid door de LIE te combineren met causale identificatie-aannames die ervoor zorgen dat counterfactuele grootheden vervangen kunnen worden door geobserveerde data-grootheden.
Duale Formulering van de G-formule: De auteurs definiëren en demonstreren expliciet twee nonparametrisch equivalente vormen van de g-formule:
- NICE (Non-Iterative Conditional Expectation): Een enkel gewogen gemiddelde van conditionele uitkomstgemiddelden. In tijd-variërende settings vereist dit het modelleren van de distributie van tijd-variërende confounders om gewichten te generen.
- ICE (Iterative Conditional Expectation): Een sequentie van geneste verwachtingen. In tijd-variërende settings wordt dit geïmplementeerd via backward recursion (g-computation), waarbij bij elke tijdstap terugwaarts van het einde van de follow-up wordt geregresseerd op uitkomsten en covariaten.
Computationeel versus Wiskundig Equivalent: Het artikel verduidelijkt dat hoewel NICE en ICE wiskundig equivalent zijn (ze vertegenwoordigen hetzelfde causale estimand), ze computationeel verschillen. In tijd-variërende settings vereist NICE het correct specificeren van de modellen voor de distributie van de confounders, terwijl ICE dit niet vereist, wat ICE robuust maakt tegen misspecificatie van confounder-modellen (hoewel beide correcte uitkomstmodellen vereisen).

Resultaten
Door de numerieke voorbeelden demonstreren de auteurs dat:

Beide NICE en ICE formuleringen identieke schattingen van causale effecten produceren in tijd-gefixeerde settings (bijv. $\hat{\psi} = -0,03$ in het tamoxifen-voorbeeld en $\hat{\psi} = 3,1$ kg in het voorbeeld van stoppen met roken).
In tijd-variërende settings de ICE-benadering (via backward recursion) het nodig maken van het expliciet modelleren van de gezamenlijke distributie van tijd-variërende confounders vermijdt, terwijl de NICE-benadering deze modellen nodig heeft om de noodzakelijke gewichten te construeren.
De ICE-benadering, geïmplementeerd als een sequentie van regressies, sluit natuurlijk aan bij de mechanica van longitudinale g-computation en targeted maximum likelihood estimation (TMLE).

Betekenis en Claims
De auteurs positioneren dit werk als een "primer" bedoeld om intuïtie op te bouwen voor toegepaste onderzoekers. Zij stellen dat een stevig begrip van de LIE en de twee vormen ervan de mechanica van causale estimators transparant maakt. Het artikel betoogt dat het begrijpen van de LIE een "conceptuele brug" slaat tussen causale identificatie en praktische schatting.

De auteurs stellen bescheiden dat hoewel NICE en ICE verschillende computationele implementaties zijn die in eindige steekproeven of onder model-misspecificatie verschillende numerieke waarden kunnen opleveren, zij nonparametrisch equivalente representaties zijn van hetzelfde geobserveerde-data functional. Het artikel concludeert dat bekendheid met het gestructureerde, op aannames gebaseerde gewogen gemiddelde van conditionele uitkomstgemiddelden — of het nu in iteratieve of non-iteratieve vorm is — onderzoekers in staat stelt om het volledige spectrum van g-methoden in causale inferentie te begrijpen, te implementeren en kritisch te evalueren. De auteurs stellen geen nieuwe algoritmen of toekomstige toepassingen voor buiten de reikwijdte van het verhelderen van bestaande methodologieën.