📊 statistics

From Structural Equation Modelling to Double Machine Learning: Robustness Analysis for Survey-Based Research

Dit artikel stelt een gefaseerd raamwerk voor robuustheidsanalyse voor en demonstreert dit, dat Structurele Vergelijking Modellering, Ordinary Least Squares-regressie en Double Machine Learning integreert om de stabiliteit van op enquêtes gebaseerde structurele relaties over verschillende schattingsmethoden te valideren, waarbij een FinTech Digital Customer Intimacy-model als casestudy wordt gebruikt.

Oorspronkelijke auteurs: Ka Ching Chan, Qiana Liu, Sanjib Tiwari, Ranga Chimhundu

Gepubliceerd 2026-07-02

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Ka Ching Chan, Qiana Liu, Sanjib Tiwari, Ranga Chimhundu

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 een mysterie probeert op te lossen over hoe mensen zich voelen over een nieuwe financiële app (FinTech). Je hebt een verzameling aanwijzingen (enquête-antwoorden) over zaken als "vertrouwen", "tevredenheid" en "hoe vaak ze de app gebruiken".

Al een lange tijd gebruiken onderzoekers een specifieke tool genaamd Structural Equation Modelling (SEM) om deze aanwijzingen met elkaar te verbinden. Zie SEM als een hoogtechnologische, op maat gemaakte kaart. Het is geweldig omdat het "onzichtbare" concepten kan afhandelen (zoals "vertrouwen", wat je niet met een liniaal kunt meten) door veel enquêtevragen te combineren tot één grote score. Het tekent een kaart die laat zien hoe het ene ding tot het andere leidt (bijv. "Vertrouwen leidt tot Tevredenheid").

Het Probleem:
Het artikel betoogt dat het riskant is om alleen te vertrouwen op zo'n op maat gemaakte kaart. Wat als de kaart er alleen goed uitziet omdat jij hem zo hebt getekend? Wat als de verbindingen verdwijnen als je naar de data op een iets andere manier kijkt? De auteurs zeggen: "Vertrouw niet alleen de kaart; laten we het terrein testen met verschillende voertuigen om te zien of de wegen er echt zijn."

De Oplossing: Een Drie-fasen Robuustheidscontrole
De auteurs stellen een nieuwe workflow voor die werkt als een drie-fasen voertuigtest om te zien of de wegen (relaties) op je kaart echt zijn of slechts een illusie.

Fase 1: De Op Maat Gemaakte Kaart (SEM)

Wat het is: De standaardmethode. Je bouwt je theorie-gebaseerde kaart.
De Analogie: Dit is als het tekenen van een blauwdruk van een huis op basis van jouw architecturale theorie. Je weet waar de muren zouden moeten staan.
De Regel van het Papier: Gooi niet zomaar muren weg alleen omdat de blauwdruk er nog wankel uitziet. Houd de volledige blauwdruk voor de volgende stappen.

Fase 2: De Transparante Wandeling (OLS Regressie)

Wat het is: Een simpelere, standaard statistische methode.
De Analogie: Dit is als het door het huis lopen met een zaklamp. Je gebruikt de fancy blauwdruk niet meer; je kijkt gewoon naar de grondstoffen (de enquête-scores) en vraagt je af: "Als ik van de keuken naar de woonkamer loop, is er dan echt een pad, of is het gewoon een muur?"
Waarom dit doen? Het is een "sanity check". Als de blauwdruk zegt dat er een pad is, maar je zaklamp-wandeling laat een doodlopende weg zien, dan weet je dat er iets mis is.

Fase 3: Het All-Terrain Voertuig (Double Machine Learning - DML)

Wat het is: Een geavanceerde computermethode die gebruikmaakt van AI (Machine Learning) om afleidingen te verwerken.
De Analogie: Stel je voor dat je met een all-terrain voertuig (ATV) door een jungle rijdt. De jungle zit vol met lianen, modder en rotsen (andere factoren zoals "leeftijd", "inkomen" of "andere app-functies") die het pad kunnen verbergen.
- Standaardmethoden kunnen vast komen te zitten in de modder.
- DML is als een slimme ATV die automatisch door de lianen kan snijden en de modder kan gladstrijken om het pad eronder te zien. Het vraagt: "Zelfs als we al deze afleidingen negeren, bestaat het pad van 'Vertrouwen' naar 'Tevredenheid' dan nog steeds?"
- De auteurs testen dit met drie verschillende "ATV-motoren" (Random Forest, Gradient Boosting en Support Vector Machines) om er zeker van te zijn dat het pad niet slechts een trucje is van één specifieke motor.

De "Omgekeerde Richting" Controle

Soms zegt de kaart "A veroorzaakt B", maar misschien is het "B veroorzaakt A".

De Analogie: Stel je een rivier voor. De kaart zegt dat het water van de berg naar de zee stroomt. Maar wat als de zee het water eigenlijk de berg op duwt?
De auteurs controleren dit door de ATV achteruit te laten rijden. Als het pad in beide richtingen sterk lijkt, kan het een tweerichtingsverkeer zijn (een wederzijdse relatie) in plaats van een eenrichtingsweg.

Wat Ze Vonden (De FinTech Casestudy)

Ze testten dit op een enquête over Digital Customer Intimacy (hoe dicht klanten zich bij een financiële app voelen).

De Sterke Wegen: De meeste paden op hun kaart waren echt. Of ze nu de blauwdruk, de zaklamp of de ATV gebruikten, de verbindingen tussen zaken als "Waargenomen Kwaliteit", "Houding" en "Digitale Intimiteit" hielden stand.
De Wankele Bruggen: Sommige paden waren lastig.
- Gebruik vs. Tevredenheid: De blauwdruk zei "Het vaker gebruiken van de app maakt je minder tevreden." De zaklamp was het ermee eens, maar de ATV raakte in de war afhankelijk van hoe "gebruik" werd gemeten. Dit betekent dat de relatie gevoelig is voor de manier waarop je dingen meet.
- Vertrouwen vs. Intimiteit: De kaart zei "Vertrouwen leidt tot Intimiteit", maar de omgekeerde controle liet zien dat "Intimiteit ook tot Vertrouwen kan leiden". Dit suggereert een tweerichtingsverkeer, geen eenrichtingsweg.
De Doodlopende Wegen: Sommige paden (zoals "Klantbewustzijn" dat leidt tot "Houding") waren zwak in de blauwdruk en bleven zwak in alle andere tests. Dit zijn waarschijnlijk doodlopende wegen die uit de definitieve theorie verwijderd moeten worden.

De Belangrijkste Conclusie

Het papier zegt niet: "Machine Learning vervangt de oude manier." In plaats daarvan zegt het: "Gebruik de oude manier om je theorie op te bouwen, maar gebruik Machine Learning als een stress-test om te zien of je theorie sterk genoeg is om verschillende omstandigheden te overleven."

Ze hebben zelfs een Google Colab workbook (een gratis, online coding notebook) gemaakt, zodat andere onderzoekers deze exacte "Kaart + Zaklamp + ATV"-workflow voor hun eigen studies kunnen gebruiken. Het is een toolkit om te voorkomen dat onderzoekers beslissingen nemen op basis van een enkele, potentieel gebrekkige kaart.

Technische Samenvatting: Van Structurele Vergelijkingmodellen naar Double Machine Learning

Probleemstelling
Structurele Vergelijkingmodellen (SEM) vormen het standaardkader voor survey-gebaseerd onderzoek met betrekking tot latente constructen (bijv. vertrouwen, tevredenheid, intentie). Hoewel SEM effectief is in het beoordelen van meetmodellen en het schatten van theorie-gestuurde structurele relaties, is de significantie van een pad afhankelijk van een specifieke modelspecificatie. Een significante padcoëfficiënt in SEM demonstreert niet inherent stabiliteit onder alternatieve schattingskaders, score-representaties of flexibele controle-aanpassingen. Bijgevolg ontbreekt het onderzoekers aan een systematische, transparante workflow om te bepalen of cruciale relaties robuust blijven wanneer men overstapt van latente variabele-modellering naar conventionele regressie of machine learning-gebaseerde aanpassingen. Recente literatuur heeft Double Machine Learning (DML) geïntroduceerd in informatiesystemen en toegepast in FinTech-contexten, maar DML wordt zelden gebruikt als een post-SEM, pad-per-pad robuustheidsdiagnostisch instrument voor modellen met latente constructen.

Methodologie: Het Gestageerde SEM–OLS–DML Kader
Het artikel stelt een twee-laags, acht-stappen robuustheidskader voor dat SEM, Ordinary Least Squares (OLS) regressie en Double Machine Learning (DML) integreert. De workflow is ontworpen om de generatie van robuustheidsbewijs te scheiden van de interpretatie, waardoor machine learning de SEM aanvult in plaats van vervangt.

Laag 1: Bewijsgeneratie
- Meetverfijning & Baseline SEM: Het proces begint met het verfijnen van het meetmodel (het valideren van indicatoren, betrouwbaarheid en fit). Cruciaal is dat het volledige theorie-gespecificeerde structurele model opnieuw wordt geschat als een "robuustheid-baseline SEM-model" voordat er paden worden verwijderd op basis van significantie.
- Constructie van Scores: Twee typen respondent-niveau constructscores worden gegenereerd: (a) SEM factor scores (die de latente structuur en factorladingen behouden) en (b) gemiddelde composietscores (een transparante, eenvoudige benchmark).
- SEM-naar-Regressie Translatie: Elk structureel pad in de baseline SEM wordt vertaald naar een pad-niveau specificatie voor OLS en DML. Voor een structurele vergelijking $Y \sim D + X$ is de focale voorspeller $D$ de variabele van belang, terwijl andere voorspellers $X$ in dezelfde vergelijking worden behandeld als co-voorspeller controles.
- OLS Benchmark: OLS-regressie wordt uitgevoerd op de constructscores om een transparante, lineaire benchmark te bieden. Dit controleert of het door SEM geïmpliceerde padpatroon zichtbaar blijft onder conventionele regressie-aannames.
- DML-stijl Residualisatie: DML wordt toegepast om stabiliteit te onderzoeken onder flexibele controle-aanpassing. De uitkomst ( $Y$ ) en de focale voorspeller ( $D$ ) worden geregresseerd op de controle-vector ( $X$ ) met behulp van machine learning learners (Random Forest, Gradient Boosting en Support Vector Machine) om nuisance-functies te schatten. De residuen worden vervolgens gebruikt om de focale relatie te schatten. Cross-fitting wordt toegepast om overfitting te voorkomen.
- Sensitiviteitscontroles: Het kader bevat controles voor learner-sensitiviteit (vergelijken van RF, GBM, SVM) en score-sensitiviteit (vergelijken van factor versus composiet scores). Geselecteerde reverse-direction diagnostics worden ook uitgevoerd om de directionele robuustheid te testen.
Laag 2: Geïntegreerde Interpretatie
- Outputs van SEM, OLS en DML worden vergeleken over methoden, scoretypes en learners.
- Paden worden geclassificeerd op basis van convergentie of divergentie:
  - Sterk Robuust: Stabiele richting en significantie over alle methoden.
  - Gedeeltelijk Robuust/DML-Sensitief: Richting is stabiel, maar significantie verzwakt onder flexibele controle-aanpassing.
  - Score-Sensitief: Resultaten hangen sterk af van of factor scores of composiet scores worden gebruikt.
  - Directioneel Instabiel: Tekens keren om of reverse-direction diagnostics tonen sterkere steun voor de tegenovergestelde richting.

Empirische Demonstratie
Het kader wordt toegepast op een FinTech Digital Customer Intimacy (DCI) survey-model met 17 structurele paden en constructen zoals Perceived Quality, User Experience, Trust en Emotional Connection.

Resultaten: De meeste paden (bijv. $PQ \to AT$ , $AT \to BI$ , $EC \to DCI$ ) bleven sterk robuust over SEM, OLS en DML-learners voor beide scoretypes.
Genuanceerde Bevindingen:
- $UB \to SA$ (Usage Behaviour naar Satisfaction): Significant en negatief in SEM en factor-score DML, maar zwak/niet-significant in composiet-score checks, wat wijst op score-representatie sensitiviteit.
- $TR \to EC$ (Trust naar Emotional Connection): Niet-significant in SEM maar significant in score-gebaseerde checks met sign-sensitiviteit, wat een theoretische review vereist.
- $CA \to AT$ (Customer Awareness naar Attitude): Zwak over alle methoden, wat suggereert dat dit een kandidaat kan zijn voor verwijdering indien de theorie zwak is.
- Reverse Diagnostics: De relatie tussen Emotional Connection en DCI toonde stabiliteit in beide richtingen, wat duidt op een wederkerige associatie.

Belangrijkste Bijdragen

Praktische Workflow: Het artikel biedt een reproduceerbare, gestage workflow voor het vertalen van SEM-geïmpliceerde paden naar OLS en DML-stijl robuheidchecks zonder machine learning te behandelen als een vervanging voor latente-variabele modellering.
Diagnostische Helderheid: Het verheldert hoe score-representatie sensitiviteit (factor versus composiet scores) en learner sensitiviteit (RF versus GBM versus SVM) te interpreteren binnen survey-gebaseerd onderzoek.
Beschikbaarheid van Middelen: De auteurs bieden een Google Colab workbook en gegenereerde resultatenbestanden via Zenodo aan, wat een herbruikbaar sjabloon biedt voor onderzoekers om deze robuheid-workflow aan te passen aan andere survey-gebaseerde studies met latente constructen.

Significantie en Claims
Het artikel positioneert dit kader als een "model-beslissingsondersteuningsproces" in plaats van een eenvoudige robuustheid bijlage. De primaire significantie ligt in het verschuiven van de onderzoeksbeoefening van "trim-dan-check" (het direct verwijderen van niet-significante paden na SEM) naar een "check-dan-beslis" benadering. Door het volledige theoretische padensysteem te behouden voor downstream robuustheidsanalyse, kunnen onderzoekers definitieve structurele beslissingen nemen op basis van een convergentie van bewijs uit latente modellering, transparante regressie en flexibele machine-learning aanpassingen.

De auteurs stellen expliciet dat deze benadering de robuustheidsbeoordeling versterkt, maar geen definitieve causale claims (interventioneel of contrafactueel) vaststelt in cross-sectionele survey-data. Het kader is ontworpen om te identificeren welke relaties stabiel zijn en welke voorzichtige interpretatie, verdere theoretische discussie of longitudinale validatie vereisen. Het adresseert een methodologische kloof door DML specifiek te positioneren als een post-SEM diagnostisch instrument voor modellen met latente constructen, verschillend van het gebruik ervan als een primaire estimator in causale inferentie of als een predictief instrument in SEM-ML integratiestudies.