📊 statistics

Uncertainty intervals for multilevel models with missing not at random data

Dit artikel stelt een sensitiviteitsanalysemethode voor voor lineaire multilevelmodellen met niet willekeurig ontbrekende gegevens (MNAR), die bias-correcties afleidt om plausibele grenzen voor parameters van belang te schatten onder zwakkere aannames dan 'missing at random', gevalideerd door middel van simulaties en een toepassing op trajecten van eenzaamheid, fysieke activiteit en geheugen.

Oorspronkelijke auteurs: Minna Genbäck

Gepubliceerd 2026-06-24

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Minna Genbäck

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 probeert het perfecte gebak te bakken (jouw studie) om te begrijpen hoe ingrediënten zoals eenzaamheid en lichaamsbeweging de loop van de tijd invloed hebben op het geheugen. Je hebt een recept dat ervan uitgaat dat als een bakker uit de klas valt, ze dit willekeurig doen—misschien zijn ze gewoon hun schort vergeten of hebben ze een lekke band gekregen. Dit wordt de "Missing At Random" (MAR) aanname genoemd. De meeste statistische hulpmiddelen bakken het gebak op basis van dit idee.

Echter, in de echte wereld stoppen bakkers vaak om specifieke redenen die gerelateerd zijn aan het gebak zelf. Misschien zijn het wel degenen die moeite hebben om de stappen te herinneren (slecht geheugen) die de klas voortijdig verlaten. Als je dit negeert, zal je uiteindelijke gebak verkeerd smaken omdat je alleen de baksels hebt geproefd van de mensen die gebleven zijn. Dit wordt "Missing Not At Random" (MNAR) genoemd.

Dit artikel stelt een nieuwe manier voor om het gebak te bakken die toegeeft: "We weten niet precies waarom mensen vertrokken zijn, maar we kunnen raden hoeveel het de smaak zou hebben veranderd."

Hier is hoe de auteur, Minna Genbäck, het uiteenzet:

1. Het Probleen: De "Geest"-uitvallers

In langetermijnstudies (zoals het volgen van iemands geheugen gedurende 10 jaar) stoppen mensen met het invullen van enquêtes. Standaard wiskunde gaat ervan uit dat deze uitvallers willekeurig zijn. Maar in gezondheidsstudies vallen zieke of kwetsbare mensen vaak vaker uit dan gezonde mensen. Als je hen als willekeurig behandelt, zijn je resultaten vertekend—het is also kind met een race oordelen door alleen naar de hardlopers te kijken die de finish haalden, terwijl je degenen negeert die struikelden en vielen omdat de baan te zwaar was.

2. De Oplossing: Het "Wat Als"-veiligheidsnet

In plaats van te doen alsof we precies weten waarom mensen vertrokken (wat onmogelijk te bewijzen is), stelt de auteur een Sensitiviteitsanalyse voor. Zie dit als het bouwen van een "veiligheidsnet" rondom je antwoord.

De Oude Manier: Je berekent één enkel getal (bijv. "Lichaamsbeweging verbetert het geheugen met 0,4 punten").
De Nieuwe Manier: Je berekent een bereik. Je zegt: "Als de uitvallers licht gerelateerd waren aan slecht geheugen, ligt het antwoord tussen X en Y. Als ze zeer sterk gerelateerd waren, ligt het antwoord tussen A en B."

Dit creëert een Onzekerheidsinterval. Het is niet één enkel punt; het is een zone van plausibele antwoorden die alle redelijke "wat als"-scenario's dekt.

3. Het Mechanisme: De "Geheime Handdruk"

Om dit te doen, gebruikt de auteur twee modellen die met elkaar praten:

Het Geheugenmodel: Voorspelt hoe het geheugen verandert.
Het Uitvalmodel: Voorspelt wie de studie verlaat.

In standaard wiskunde zijn deze twee modellen vreemden; ze praten niet met elkaar. In deze nieuwe methode introduceert de auteur een "Sensitiviteitsparameter" (een geheime handdruk). Deze parameter vertegenwoordigt de correlatie tussen waarom iemands geheugen verandert en waarom iemand de studie verlaat.

Als de handdruk zwak is (nul), is het het standaard scenario van "willekeurige uitval".
Als de handdruk sterk is, betekent dit dat mensen met een achteruitgaand geheugen eerder geneigd zijn om te stoppen.

De auteur leidt een wiskundige formule af om exact te berekenen hoeveel deze "handdruk" de resultaten zou vertekenen. Vervolgens test zij een bereik van handdruksterktes (van nul tot een plausibel maximum) om te zien hoeveel het uiteindelijke antwoord wankelt.

4. De Praktijktest: Eenzaamheid en Geheugen

De auteur testte dit op een enorme Europese enquête (SHARE) met meer dan 27.000 mensen van 65 jaar en ouder. Zij keken naar de vraag of eenzaamheid en fysieke activiteit het geheugen over een langere periode beïnvloeden.

Het Standaardresultaat: Onder de aanname van "willekeurige uitval", was een gevoel van eenzaamheid gekoppeld aan een daling in het geheugen, en was lichaamsbeweging gekoppeld aan een verbetering.
Het Nieuwe Resultaat: Zelfs toen zij rekening hielden met de mogelijkheid dat mensen met een slechter geheugen eerder de studie verlieten (het MNAR-scenario), veranderden de resultaten niet veel. Het "veiligheidsnet" (onzekerheidsinterval) bevatte nog steeds de oorspronkelijke bevindingen.

Dit suggereert dat de oorspronkelijke conclusies robuust waren; ze hielden stand, zelfs toen de "willekeurige uitval"-aanname werd versoepeld.

5. De Simulatie: De "Stresstest"

Om te bewijzen dat deze methode werkt, heeft de auteur een computersimulatie uitgevoerd. Ze creëerde nepdata waarbij ze de waarheid kennen en waarbij mensen specifelijk uitvielen omdat hun geheugen slecht was.

Ze probeerden de vertekening te corrigeren met hun nieuwe formule.
Het Resultaat: De methode werkte goed. Het slaagde erin de "wankele" schattingen te corrigeren en gaf een bereik dat het ware antwoord meestal vastlegde.

De Addertjes onder het gras (Beperkingen)

De auteur geeft toe dat deze methode rekenintensief is. Het is alsof je een gigantische 3D-puzzel probeert op te lossen waarvan de stukjes constant bewegen. Als de groepen mensen (clusters) te groot zijn, wordt de wiskunde te traag om op een standaardcomputer te draaien. Ook gaat de methode ervan uit dat de sterkte van de "handdruk" binnen een specifiek, plausibel bereik ligt—als je de inschatting van het bereik fout doet, kan het veiligheidsnet te breed of te nauw zijn.

Samenvatting

Dit artikel geeft je geen toverstaf om ontbrekende gegevens te repareren. In plaats daarvan geeft het je een liniaal met een ruimere foutmarge. Het stelt onderzoekers in staat om te zeggen: "We weten niet precies waarom mensen de studie hebben verlaten, maar zelfs als we het meest extreme redelijke scenario aannemen, blijven onze belangrijkste conclusies over eenzaamheid en geheugen overeind." Het vervangt een fragiele, enkelvoudige gok door een stevig, flexibel bereik van mogelijkheden.

Technische Samenvatting: Onzekerheidsintervallen voor multilevelmodellen met data die niet willekeurig ontbreken (MNAR)

Probleemstelling
Longitudinale enquêtes kampen vaak met non-respons, inclusief individuen die nooit deelnemen en individuen die uitvallen na een subset van meetmomenten. Standaard multilevelmodellen (mixed-effects modellen) gaan doorgaans uit van de aanname dat data Missing At Random (MAR) zijn, wat betekent dat de waarschijnlijkheid van ontbrekende gegevens alleen afhangt van geobserveerde data. Echter, in studies naar oudere populaties en gezondheidsuitkomsten verschillen respondenten vaak systematisch van non-respondenten (bijv. gezonder zijn), wat wijst op een Missing Not At Random (MNAR) mechanisme. Wanneer de MAR-aanname wordt geschonden, kunnen parameterschattingen vertekend zijn, wat leidt tot misleidende conclusies. Hoewel selectie- en pattern mixture modellen bestaan om MNAR-data te behandelen, vereisen deze vaak sterke, niet-testbare distributionele beperkingen om volledige identificatie te bereiken.

Methodologie
Het artikel stelt een methode voor voor sensitiviteitsanalyse die afziet van volledige identificatie ten gunste van partiële identificatie onder zwakkere aannames. De aanpak omvat de volgende stappen:

Dual Modeling: De uitkomst en het uitvalmechanisme worden simultaan gemodelleerd met behulp van multilevelmodellen.
- De uitkomst $y_{ij}$ wordt gemodelleerd via een lineair mixed-effects model: $y_{ij} = X_{ij}\beta + \eta_{ij}$ .
- Het uitvalproces wordt gemodelleerd via een generalized linear mixed model met een probit-link, waarbij gebruik wordt gemaakt van een latente variabele $z^*_{ij}$ : $z^*_{ij} = X_{ij}\delta + u_{ij}$ , waarbij observatie plaatsvindt als $z^*_{ij} > 0$ .
Sensitiviteitsparameter: Onder de MAR-aanname zijn de random effects van de uitkomst ( $\eta$ ) en de uitvalmodellen ( $u$ ) onafhankelijk. Om rekening te houden met MNAR, introduceren de auteurs een sensitiviteitsparametermatrix $\Delta_i$ , die de covariantie tussen deze random componenten vertegenwoordigt.
Afleiding van Bias: De auteurs leiden een algemene analytische expressie af voor de bias van de Generalized Least Squares (GLS) estimator van $\beta$ wanneer $\Delta_i \neq 0$ . De bias is een functie van de sensitiviteitsparameters en de verwachte waarde van een dubbel afgeknotte multivariate normale verdeling.
Onzekerheidsintervallen: In plaats van uit te gaan van één enkele waarde voor de sensitiviteitsparameters, specificeert de methode een plausibele reeks (bijv. correlaties tussen 0 en 0,5). Door de bias te berekenen voor waarden binnen deze reeks, construeren de auteurs "onzekerheidsintervallen". Deze intervallen vertegenwoordigen de unie van betrouwbaarheidsintervallen afgeleid onder de gespecificeerde reeks MNAR-aannames, wat grenzen biedt voor schatting en inferentie.

Belangrijkste Bijdragen

Algemene Analytische Expressie: Het artikel biedt een algemene analytische expressie voor de bias van de GLS-estimator in multilevelmodellen onder MNAR-condities. Eerdere afleidingen waren beperkt tot speciale gevallen die niet representatief zijn voor longitudinale studies (bijv. de aanname dat alle uitkomsten in een cluster ofwel volledig geobserveerd ofwel volledig ontbrekend zijn).
Framework voor Partiële Identificatie: De methode stelt onderzoekers in staat om de stabiliteit van conclusies te kwantificeren door de MAR-aanname te versoepelen zonder dat daarvoor niet-testbare distributionele beperkingen nodig zijn om parameters volledig te identificeren.
Implementatiestrategie: De auteurs demonstreren hoe de noodzakelijke componenten (covariantiematrices en afgetonte verwachtingen) geschat kunnen worden met standaard software (bijv. lme4 in R) en gespecialiseerde pakketten (MomTrunc), waardoor de aanpak computationeel haalbaar is voor toegepaste onderzoekers.

Resultaten

Empirische Toepassing: De methode werd toegepast op SHARE-data (Survey of Health, Ageing and Retirement in Europe) om de associatie tussen eenzaamheid, fysieke activiteit en geheugentrajecten bij individuen van 65 jaar en ouder te onderzoeken.
- Onder MAR was frequente eenzaamheid geassocieerd met een afname van 0,59 woorden in de geheugenscore, terwijl krachtige fysieke activiteit geassocieerd was met een toename van 0,41 woorden.
- Sensitiviteitsanalyses die MNAR aannamen (specifiek dat een afnemend geheugen het risico op uitval vergroot) suggereerden dat de schattingen licht vertekend (onderschat) zouden kunnen zijn, maar de algemene conclusies bleven robuust. De onzekerheidsintervallen waren iets breder maar centreerden vergelijkbaar met de MAR-schattingen.
Simulatiestudie: Een simulatiestudie evalueerde de prestaties van de bias-correctie in eindige steekproeven.
- De studie vergeleek geneste (huishoudelijke clustering) en ongeneste modellen. Terwijl geneste modellen vaak kampten met convergentieproblemen, boden ongeneste modellen stabiele schattingen.
- De bias-gecorrigeerde schattingen bereikten empirische dekking (coverage rates) van ten minste 87% (vaak 90–95%), zelfs wanneer het werkelijke datagenererende proces de MAR-aanname schond.
- De studie merkte op dat standaardfouten voor de tijdsvariabele in geneste ontwerpen onderschat werden, wat leidde tot lagere dekking voor niet-gecorrigeerde schattingen, maar de bias-correctie verbeterde de dekking aanzienlijk.

Betekenis en Beperkingen
Het artikel beweert dat de voorgestelde methode een praktische tool biedt voor sensitiviteitsanalyse in multilevelmodellen, met name voor onderzoek naar gezondheid en veroudering waar de MAR-aannames vaak twijfelachtig zijn. Het maakt een meer transparante beoordeling mogelijk van hoe conclusies afhangen van aannames over ontbrekende data.

De auteurs erkennen specifieke beperkingen:

Computationele Belasting: Het berekenen van de verwachte waarde van een dubbel afgetonte multivariate normale verdeling wordt computationeel intensief bij grote clusters, wat de haalbaarheid van sterk geneste ontwerpen (bijv. clustering op landniveau) in de huidige implementatie beperkt.
Doelpopulatie: In de empirische toepassing is de doelpopulatie enigszins ongedefinieerd door niet geregistreerde sterfgevallen en selectie in de studie, wat de methode niet expliciet adresseert.
Software: De methode is momenteel geïmplementeerd via aangepaste scripts met bestaande R-pakketten, met de toekomstige ambitie om het te integreren in het ui pakket voor bredere toegankelijkheid.

Het artikel concludeert dat hoewel de methode het identificatieprobleem niet volledig oplost, het wel een rigoureus framework biedt voor het afbakenen van schattingen en het beoordelen van de robuustheid van bevindingen onder plausibele MNAR-scenario's.