Technische Samenvatting: Identificatie en Afbakening van Centrale Momenten van Causale Effecten met behulp van Marginale Momentinformatie

Probleemstelling

In causale inferentie is het evalueren van de heterogeniteit van behandelingseffecten een cruciaal doel naast het schatten van het Gemiddeld Causaal Effect (ACE). Hoewel de distributie van Individuele Causale Effecten (ICE), gedefinieerd als $Y_1 - Y_0$, deze heterogeniteit karakteriseert, vereisen bestaande methoden voor het identificeren of afbakenen van de distributie van ICE (bijv. Fan en Park [2010], Post en Van Den Heuvel [2025]) doorgaans toegang tot de volledige marginale distributies van de potentiële uitkomsten (PO's), $P(Y_1 < y)$ en $P(Y_0 < y)$.

In veel empirische situaties zijn volledige gegevens op individueel niveau of volledige distributiefuncties echter niet beschikbaar vanwege privacybeperkingen, vertrouwelijkheid of de aard van historisch cumuleerde studies die alleen geaggregeerde samenvattende statistieken rapporteren. In dergelijke gevallen zijn alleen marginale centrale momenten (bijv. gemiddelde, variantie, scheefheid, kurtosis) van de behandelings- en controlegroepen toegankelijk. Dit artikel behandelt het probleem van het identificeren en afbakenen van de centrale momenten van de ICE, aangeduid als $\mu^{(m)}$, met uitsluitend gebruikmakend van de marginale centrale momenten van de potentiële uitkomsten, $\sigma^{(k)}_1$ en $\sigma^{(k)}_0$, zonder de volledige marginale distributies te veronderstellen.

Methodologie

De auteurs maken gebruik van het kader van Structurele Causale Modellen (SCM's) en potentiële uitkomsten. De centrale momenten van de ICE worden gedefinieerd als $\mu^{(m)} = E[(Y_1 - Y_0 - E[Y_1 - Y_0])^m]$. De marginale centrale momenten van de PO's worden gedefinieerd als $\sigma^{(k)}_x = E[(Y_x - E[Y_x])^k]$ voor $x \in \{0, 1\}$.

De methodologie is onderverdeeld in twee primaire benaderingen:

1. Identificatie onder de Independent Effect Deviation (IED) Aanname:
   Het artikel onderzoekt identificatie onder de IED-conditie, waarbij de ICE onafhankelijk is van de baseline-uitkomst: $(Y_1 - Y_0) \perp\!\!\!\perp Y_0$. Onder deze aanname leiden de auteurs recursieve identificatieformules af. Specifiek toont Theorem 1 aan dat als marginale momenten tot orde $m$ (exclusief specifieke tussenliggende orden) beschikbaar zijn, het $m$-de centrale moment van de ICE recursief geïdentificeerd kan worden. Opvallend genoeg is onder IED de variantie ($\mu^{(2)}$) simpelweg identificeerbaar als het verschil in varianties van de PO's ($\sigma^{(2)}_1 - \sigma^{(2)}_0$), en kunnen hogere-orde momenten zoals scheefheid en kurtosis ook geïdentificeerd worden indien de corresponderende marginale momenten beschikbaar zijn.

2. Afbakening zonder IED:
   In erkenning van het feit dat de IED-aanname sterk en vaak ontestbaar is, leiden de auteurs scherpe grenzen (bounds) af voor $\mu^{(m)}$ met uitsluitend gebruik van de beschikbare marginale momenten $(\sigma^{(k)}_1, \sigma^{(k)}_0)$ zonder onafhankelijkheid te veronderstellen.

   • Variantie ($\mu^{(2)}$): De auteurs analyseren de correlatie $\lambda$ tussen de ICE en de baseline $Y_0$. Zij leiden scherpe grenzen af voor $\mu^{(2)}$ op basis van $\sigma^{(2)}_1$ en $\sigma^{(2)}_0$, waarbij zij aantonen dat de variantie begrensd wordt door $(\sqrt{\sigma^{(2)}_1} \pm \sqrt{\sigma^{(2)}_0})^2$. Verder demonstreren zij dat het kennen van hogere-orde momenten (zoals scheefheid of kurtosis) de grens voor de variantie niet noodzakelijkerwijs aanscherpt, tenzij aan specifieke voorwaarden wordt voldaan.
   • Hogere-orde Momenten: Het artikel biedt grenzen voor de derde ($\mu^{(3)}$) en vierde ($\mu^{(4)}$) centrale momenten. Voor oneven momenten geldt dat als alleen lagere-orde even momenten bekend zijn, de grenzen vaak triviaal zijn (d.w.z. $(-\infty, \infty)$). Echter, als het $m$-de moment van de PO's bekend is, kunnen niet-triviale grenzen worden afgeleid voor even $m$.
   • Scherpte (Sharpness): De auteurs definiëren "scherpte" strikt als de eigenschap dat er geen strikt nauwer gesloten interval bestaat gegeven de momentinformatie. Zij leveren tegenvoorbeelden (in het Aanvullend Materiaal) om aan te tonen dat hoewel sommige grenzen scherp zijn, het combineren van meerdere moment-restricties (bijv. zowel variantie als kurtosis kennen) niet altijd leidt tot scherpere grenzen voor de ICE-momenten, met name voor hogere-orde momenten.

Belangrijkste Bijdragen en Resultaten

1. Identificatieresultaten onder IED:

   • Het artikel stelt vast dat onder de IED-conditie de centrale momenten van de ICE identificeerbaar zijn vanuit de marginale centrale momenten van de PO's.
   • Corollary 1 & 2: Specifiek zijn de scheefheid en kurtosis van de ICE identificeerbaar indien de corresponderende marginale momenten (3e en 4e) beschikbaar zijn, samen met de variantie.

2. Scherpe Grenzen voor Centrale Momenten:

   • Variantie: Theorem 3 biedt scherpe grenzen voor $\mu^{(2)}$ gebruikmakend van enkel $\sigma^{(2)}_1$ en $\sigma^{(2)}_0$: $(\sqrt{\sigma^{(2)}_1} - \sqrt{\sigma^{(2)}_0})^2 \leq \mu^{(2)} \leq (\sqrt{\sigma^{(2)}_1} + \sqrt{\sigma^{(2)}_0})^2$.
   • Hogere Momenten: Theorems 16–18 generaliseren deze resultaten voor willekeurige $m$. Voor even $m$, indien $\sigma^{(m)}_1$ en $\sigma^{(m)}_0$ beschikbaar zijn, worden scherpe grenzen afgeleid. Voor oneven $m$ toont het artikel aan dat het kennen van een enkel lager-orde moment $k \leq m$ over het algemeen geen niet-triviale grenzen oplevert voor $\mu^{(m)}$ (behalve in extreme gevallen waar lagere momenten nul zijn).
   • Intersectie van Grenzen: Het artikel onderzoekt of het intersecteren van grenzen van verschillende beschikbare momenten (bijv. zowel $\sigma^{(2)}$ als $\sigma^{(4)}$ gebruiken) leidt tot nauwere resultaten. De auteurs vinden dat hoewel dit vaak de reikwijdte verkleint, de resulterende grenzen over het algemeen niet scherp zijn (Theorem 7, 11, 15), behalve in specifieke gevallen waarbij variantie en hogere-orde momenten betrokken zijn.

3. Empirische Casestudy's:
   De auteurs passen hun methoden toe op twee real-world studies waarbij alleen samenvattende statistieken werden gerapporteerd:

   • Moseley et al. [2002] (Knie-artroscopie): Gebruikmakend van gerapporteerde gemiddelden en standaarddeviaties, begrenzen de auteurs de variantie van de ICE. Zij vinden substantiële heterogeniteit, waarbij de variantie potentieel varieert van 19,36 tot 806,56. Onder de aanname van een positieve correlatie tussen de baseline en de ICE, wordt de bovenste grens aanzienlijk nauwer.
   • Špirtović et al. [2023] (Aerobicsprogramma): Gebruikmakend van gerapporteerde gemiddelde, SD, scheefheid en kurtosis, begrenzen de auteurs de variantie, scheefheid en kurtosis van de ICE. De resulterende grenzen zijn breed, wat de fundamentele niet-identificeerbaarheid reflecteert gezien de beperkte informatie, maar ze maken nog steeds het karakteriseren van de vorm van de distributie mogelijk (bijv. positieve scheefheid onder IED).

4. Numerieke Experimenten:
   Simulaties die de voorgestelde moment-gebaseerde grenzen vergelijken met een Monte Carlo Integratie (MCI) estimator (die volledige marginale distributies veronderstelt) laten zien dat:

   • In sommige settings de moment-gebaseerde grenzen vergelijkbaar met of zelfs nauwer zijn dan de MCI-grenzen.
   • De voorgestelde methode robuust is in eind-steekproef settings, hoewel betrouwbaarheidsintervallen breder worden bij kleinere steekproefomvang.

Betekenis en Claims

Het artikel claimt dat de identificatie- en afbakingsresultaten novum zijn, aangezien het probleem van het evalueren van ICE centrale momenten met uitsluitend marginale centrale momenten nog niet systematisch is bestudeerd.

• Praktische Relevantie: De primaire betekenis ligt in het mogelijk maken van heterogeniteitsanalyse voor studies die slechts samenvattende statistieken rapporteren (gemiddelden, varianties, scheefheid, kurtosis) in plaats van volledige datasets. Dit stelt onderzoekers in staat om historisch cumuleerde studies of studies met privacy-beperkte data te heranalyseren om de omvang en structuur van de behandelingseffect-heterogeniteit af te leiden.
• Informatielimieten: De auteurs claimen bescheiden dat hun werk expliciet karakteriseert "wat wel en niet geleerd kan worden" onder moment-gebaseerde informatie. Zij demonstreren dat hoewel de variantie vaak betekenisvol begrensd kan worden, hogere-orde kenmerken (zoals scheefheid en kurtosis) inherent onderbepaald zijn zonder sterkere aannames (zoals IED) of volledige distributiekennis.
• Scherpte: Het artikel benadrukt dat de afgeleide grenzen scherp zijn waar geclaimd, en daarmee de nauwst mogelijke intervallen bieden gegeven de specifieke momentinformatie. Het erkent echter ook dat voor veel combinaties van beschikbare momenten de grenzen niet scherp zijn, wat de fundamentele limieten van inferentie vanuit geaggregeerde statistieken onderstreept.

De auteurs concluderen dat terwijl de IED-aanname puntidentificatie mogelijk maakt, de zonder deze aanname afgeleide grenzen een noodzakelijke karakterisering bieden van de onzekerheid die inherent is aan causale effect-heterogeniteit wanneer slechts marginale momenten beschikbaar zijn. Zij merken op dat toekomstig werk de mogelijkheden kan verkennen om deze grenzen aan te scherpen met behulp van aanvullende structurele aannames, zoals causale grafen of monotoniciteit.