📊 statistics

Higher-order Spillover Effects Under Partial Interference

Dit artikel stelt een gegeneraliseerd interferentie-framework voor en ontwikkelt nieuwe Horvitz-Thompson-, Hajek- en gewogen regressie-schatters om hogere-orde spillover-effecten van specifieke netwerkafstanden nauwkeurig te kwantificeren, waarbij de beperkingen van traditionele aannames over nabijheidsinterferentie worden geadresseerd door middel van theoretische bias-analyse, simulaties en een toepassing op een gerandomiseerde studie in Honduras.

Oorspronkelijke auteurs: Qixiang Xu, Laura Forastiere

Gepubliceerd 2026-07-15

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Qixiang Xu, Laura Forastiere

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 uit te zoeken waarom een gerucht zich door een middelbare school verspreidt. Je weet dat als je beste vriend een sappig geheim hoort, hij het misschien aan jou vertelt. Dat is makkelijk te volgen. Maar wat als de vriend van je vriend (die jij niet kent) het aan jouw vriend vertelt, die het vervolgens aan jou vertelt? Of wat als het gerucht door drie of vier mensen reist voordat het jouw bureau bereikt?

Lama tijd hebben wetenschappers die bestuderen hoe dingen zich verspreiden — zoals ziekten, ideeën of gezondheidsprogramma's — een vuistregel gebruikt genaamd "neighborhood interference" (omgevingsinterferentie). Het is alsof je zegt: "Hé, alleen je directe vrienden kunnen jou beïnvloeden." De auteurs van dit artikel, Qixiang Xu en Laura Forastiere, vinden die regel veel te simpel. Ze stellen dat invloed in de echte wereld veel verder kan reizen, als een rimpeling in een vijver die niet stopt bij de eerste steen die hij raakt.

Het probleem met de "Directe Buur"-regel
Het artikel betoogt dat veel eerdere studies een grote fout maakten door ervan uit te gaan dat alleen je directe buren (mensen die direct met je verbonden zijn) je resultaat beïnvloeden. Ze noemen dit de "neighborhood interference assumption". De auteurs laten via simulaties (computerexperimenten) zien dat als je ervan uitgaat dat de invloed stopt bij je directe vrienden, terwijl het eigenlijk verder reist, je wiskunde de mist in gaat. Het is alsof je probeert te meten hoeveel regen er op je dak is gevallen door alleen naar het water te kijken dat uit de dakgoot druppelt, terwijl je het water dat langs de zijkant van het huis naar beneden loopt negeert.

Ze wijzen ook op het feit dat onderzoekers vaak raden hoe de invloed werkt. Misschien gaan ze ervan uit dat het alleen om het aantal behandelde vrienden gaat, of om het percentage. Het artikel laat zien dat als je de verkeerde formule raadt voor hoe invloed werkt, je resultaten vertekend (biased) zijn, zelfs als je de juiste gegevens hebt.

De nieuwe oplossing: De "conservatieve" aanpak
In plaats van te raden hoe ver de invloed precies gaat of hoe de invloed precies werkt, stellen de auteurs een "conservatieve" aanpak voor. Stel je voor dat je probeert een vis te vangen, maar je weet niet hoe diep het water is. In plaats van een specifieke diepte te raden, werp je een net dat het volledige mogelijke gebied bestrijkt waar de vis zich zou kunnen bevinden.

In hun methode definiëren ze een "conservative interference set" (conservatieve interferentie-set). Dit is een groep mensen die gegarandeerd iedereen bevat die een persoon mogelijk zou kunnen beïnvloeden, zelfs als we niet precies weten wie die mensen zijn of hoe zij verbonden zijn. Ze hoeven de exacte "exposure mapping" (de specifieke formule voor hoe invloed reist) niet te kennen. Ze hoeven alleen te weten dat de groep groot genoeg is om alle rimpelingen op te vangen.

Hoe ze het meten
Om het effect van deze verre rimpelingen te meten, hebben de auteurs een nieuwe manier bedacht om naar de gegevens te kijken. Ze stellen zich twee verschillende scenario's voor die tegelijkertijd plaatsvinden:

De "H-orde" buurt: Ze doen alsof mensen op een specifieke afstand (bijvoorbeeld 2 stappen verderop) met een bepaalde waarschijnlijkheid worden behandeld (zoals een kans van 60%).
De rest van de groep: Ze doen alsof iedereen in die grote "conservatieve" groep met een andere waarschijnlijkheid wordt behandeld (zoals een kans van 40%).

Door te kijken naar wat er gebeurt wanneer ze deze waarschijnlijkheden aanpassen, kunnen ze het "spillover-effect" (overloopeffect) van die specifieke afstand isoleren. Ze hebben drie nieuwe wiskundige instrumenten (estimators) ontwikkeld om dit te doen:

Horvitz-Thompson: Een directe telmethode. Het is accuraat, maar kan wankel zijn als de getallen extreem worden (zoals wanneer er een piepkleine kans is dat iets gebeurt).
Hajek: Een verfijnde versie die de scherpe randjes eraf haalt, waardoor het stabieler is.
Weighted Least Squares (WLS): Een methode die een eenvoudige lijn gebruikt om de gegevens te fitten, wat zeer efficiënt is als de relatie eenvoudig is, maar fout kan zijn als de relatie complex is.

Wat de simulaties lieten zien
De auteurs hebben duizenden computersimulaties gedraaid om hun ideeën te testen.

Ze ontdekten dat de oude "naïeve" methoden (zoals eenvoudige regressie) vaak vertekend (biased) waren. Als ze de tweede of derde laag van vrienden negeerden, waren de resultaten fout.
Hun nieuwe methoden (Hajek en WLS) bleven onbevooroordeeld (unbiased/correct), zelfs wanneer de interferentie complex was of wanneer de interferentie-set enorm groot was.
Ze lieten ook zien dat de "Horvitz-Thompson"-methode een hoge variantie kan hebben (het schommelt veel) wanneer de waarschijnlijkheden extreem zijn, terwijl de Hajek- en WLS-methoden veel stabieler zijn.

De praktijktest: Honduras
Om te zien of dit in de echte wereld werkt, hebben ze hun methode toegepast op een echte studie in Honduras over een programma voor moeder- en kindgezondheid. In deze studie kregen sommige huishoudens gezondheidseducatie, en de onderzoekers wilden zien of deze kennis "overspoelde" naar de buren.

Met behulp van hun nieuwe instrumenten vonden ze enkele fascinerende patronen:

Voor behandelde mensen (zij die de gezondheidseducatie kregen): Ze zagen een "spillover"-effect. Als hun eerste-graads buren (directe vrienden) ook behandeld waren, leerden deze mensen zelfs nog meer. Het effect was het sterkst wanneer ongeveer de helft van het dorp behandeld was, maar het nam af als iedereen behandeld was (misschien door te veel informatie, of "verzadiging").
Voor onbehandelde mensen: Ze zagen niet veel van een spillover-effect. De auteurs suggereren dat dit kan komen doordat onbehandelde mensen niet over de nodige achtergrondkennis beschikten om de informatie die hun behandelde vrienden deelden, te begrijpen.
Tweede-orde effecten (vrienden van vrienden): Verrassend genoeg was de invloed van "vrienden van vrienden" voor behandelde mensen soms net zo sterk als die van directe vrienden, vooral wanneer de behandeling zeldzaam was. De auteurs suggereren dat dit kan komen omdat informatie van een vriend van een vriend wordt "gefilterd" en gedestilleerd tot de belangrijkste punten, waardoor het gemakkelijker te verwerken is.

De kernboodschap
Het artikel beweert niet dat het elk mysterie over hoe invloed zich verspreidt heeft opgelost. In plaats daarvan biedt het een veiligere, flexibelere manier om het te meten. Het stelt dat we onze gegevens niet in een hokje moeten dwingen dat zegt: "alleen directe buren doen ertoe." Door een breder net te gebruiken en niet de exacte formule voor invloed te raden, kunnen we een waarheidsgetrouwer beeld krijgen van hoe behandelingen door een gemeenschap rimpelen. De auteurs suggereren dat hoewel hun methode misschien minder precies is dan oudere, simpelere methoden (omdat ze minder aannames doen), het veel betrouwbaarder is omdat het niet uit elkaar valt wanneer de echte wereld rommelig en complex is.

Technische Samenvatting: Hogere-orde Spillover-effecten onder Partiële Interferentie

Probleemstelling

Causale inferentie in netwerkomgevingen wordt bemoeilijkt door interferentie, waarbij de uitkomst van een eenheid afhankelijk is van de behandelingen van andere eenheden. De bestaande literatuur vertrouwt vaak op de nabuurschapsinterferentie-aanname (beperking van interferentie tot directe buren) of de partiële interferentie-aanname (beperking van interferentie tot vooraf gedefinieerde clusters), maar deze benaderingen kennen aanzienlijke beperkingen:

Beperkte reikwijdte: In scenario's met uitkomstdiffusie (bijv. ziekteoverdracht, informatieverspreiding) strekt interferentie zich vaak uit voorbij de directe buren naar hogere-orde netwerkafstanden.
Risico op misspecificatie: Standaardmethoden vereisen het specificeren van een exposure mapping functie (een samenvatting van de behandelingen in een interferentieset, bijvoorbeeld de proportie behandelde buren). Als de interferentieset of de mapping functie verkeerd gespecificeerd is (bijv. door aan te nemen dat alleen eerste-orde buren relevant zijn terwijl tweede-orde effecten bestaan, of door een binaire proxy te gebruiken voor een continue blootstelling), worden de schatters vertekend (biased).
Gebrek aan hogere-orde ontwarring: Huidige methoden hebben moeite om spillover-effecten te onderscheiden die afkomstig zijn van specifieke netwerkafstanden (bijv. het onderscheiden van eerste-orde van tweede-orde buren) zonder te vertrouwen op sterke, potentieel onjuiste parametrische aannames over het interferentiemechanisme.

Methodologie

1. Gegeneraliseerde Interferentie-aanname

De auteurs stellen een Gegeneraliseerde Partiële Interferentie-aanname (Aanname 4) voor. In tegenstelling tot traditionele aannames die interferentie beperken tot directe buren of volledige clusters, staat dit kader een eenheid toe dat de potentiële uitkomst afhangt van behandelingen binnen een conservatieve interferentieset $I_{ij}$ . Cruciaal is dat deze aanpak geen specificatie vereist van een samenvattende exposure mapping functie $g(\cdot)$ om de behandelingsvector te reduceren tot een scalaire of laagdimensionale vector. Dit voorkomt bias die voortvvloeit uit onjuiste functionele vormen van interferentie.

2. Causale Estimanden: $h$ -orde Spillover-effecten

Het artikel definieert nieuwe causale estimanden om spillover-effecten te kwantificeren van eenheden op een specifieke netwerkafstand $h$ .

Hypothetische Toewijzing: De auteurs introduceren een hypothetische Bernoulli-behandelingsallocatie waarbij:
- Eenheden in de $h$ -orde nabuurschap ( $C^h_{ij}$ ) een behandeling krijgen met waarschijnlijkheid $\alpha_h$ .
- Eenheden in de resterende interferentieset ( $C_{i\setminus(j, C^h_{ij})}$ ) een behandeling krijgen met waarschijnlijkheid $\alpha$ .
Definitie: Het $h$ -orde spillover-effect, $SE^h(\alpha_h, \alpha'_h; a, \alpha)$ , wordt gedefinieerd als het verschil in de populatiegemiddelde potentiële uitkomsten wanneer de toewijzingswaarschijnlijkheid voor de $h$ -orde nabuurschap verandert van $\alpha'_h$ naar $\alpha_h$ , terwijl de individuele behandeling $a$ en de toewijzing van de rest van de interferentieset $\alpha$ constant blijven.

3. Estimatoren

Om deze effecten te schatten zonder te vertrouwen op exposure mapping functies, ontwikkelen de auteurs drie niet-parametrische en semi-parametrische estimatoren onder een tweestaps gerandomiseerd ontwerp:

Horvitz-Thompson (HT) Estimator: Een gewogen gemiddelde van geobserveerde uitkomsten met behulp van inverse waarschijnlijkheidsgewichten. Het is onbevooroordeeld, maar kan lijden onder een hoge variantie door extreme gewichten.
Hajek Estimator: Een ratio-estimator (genormaliseerde HT) die de variantie stabiliseert door de gewogen som van uitkomsten te delen door de gewogen som van de gewichten. Het is consistent en asymptotisch onbevooroordeeld.
Weighted Least Squares (WLS) Estimator: Een regressie-gebaseerde aanpak die de relatie tussen de uitkomst en de hypothetische waarschijnlijkheid $\alpha_h$ modelleert (bijv. een lineair marginaal structureel model). Het gebruikt HT-gewichten om selectiebias te corrigeren, maar wint aan efficiëntie door de uitkomststructuur te modelleren.

4. Bias Analyse van Misspecificatie

Het artikel leidt theoretische bias-formules af (Propositie 2 en Corollaria 1 & 2) voor estimatoren die steunen op missepecificeerde interferentiesets of exposure mapping functies.

Het toont aan dat het gebruik van een onjuiste interferentieset (bijv. beperking tot eerste-orde buren wanneer de interferentie tweede-orde is) of een onjuiste mapping functie leidt tot de identificatie van een gewogen gemiddelde van potentiële uitkomsten onder de ware structuur, in plaats van het ware causale effect.
Specifiek induceert het weglaten van hogere-orde termen in een regressie (OLS) een 'omitted variable bias' door de correlatie tussen exposure-metrieken op verschillende netwerkafstanden, wat vaak wordt verergerd door het tweestaps gerandomiseerde ontwerp (Simpson's Paradox).

Belangrijkste Resultaten

Simulatiestudie

De auteurs voerden Monte Carlo-simulaties uit over vier scenario's (geen interferentie, eerste-orde, tweede-orde, en tweede-orde met interactie) en diverse netwerkstructuren (Erdős–Rényi en regelmatige grafen).

Bias: De voorgestelde HT, Hajek en WLS estimatoren bleven onbevooroordeeld in alle scenario's, inclusief scenario's met hogere-orde interferentie en interacties. In contrast vertoonden standaard OLS-estimators die steunen op restrictieve interferentiesets (bijv. $OLS(G_1)$ ) of misspecificeerde exposure mappings significante bias.
Variantie: De HT-estimator vertoonde de hoogste variantie, met name bij grote interferentiesets. De Hajek en WLS estimatoren vertoonden een lagere variantie, waarbij WLS over het algemeen het meest efficiënt was door parametrische smoothing, mits de modelspecificatie redelijk was.
Netwerkdichtheid: De variantie van de Hajek-estimator was gevoelig voor de netwerkdichtheid ( $p$ ). Voor eerste-orde effecten nam de variantie toe met de dichtheid; voor tweede-orde effecten bereikte de variantie een piek bij gemiddelde dichtheden en nam deze af naarmate de netwerken verzadigd raakten.

Empirische Applicatie: Honduras Maternaal en Kindergezondheid Trial

De methoden werden toegepast op een tweestaps gerandomiseerde trial in Honduras met betrekking tot een interventie voor de moederlijke en kindergezondheid bij 176 dorpen.

Eerste-orde Spillovers: Voor behandelde individuen volgden de eerste-orde spillover-effecten een omgekeerde U-vorm, met een piek bij een matige behandelingsverzadiging ( $\alpha \approx 0.5$ ) en een daling bij hogere verzadiging (wat duidt op informatieverzadiging). Onbehandelde individuen vertoonden verwaarloosbare spillover-effecten.
Tweede-orde Spillovers: Tweede-orde effecten waren het sterkst wanneer de behandeling schaars was (lage $\alpha$ ) en namen af naarmate de behandeling meer algemeen werd, wat wijst op een substitutiemechanisme waarbij directe buren de informatiekloven opvullen.
Heterogeniteit: Behandelde individuen profiteerden significant meer van peer-spillovers dan onbehandelde individuen, wat wordt toegeschreven aan een hogere absorptiecapaciteit en basisvoorbereiding.

Betekenis en Claims

Het artikel claimt een robuust kader te bieden voor het schatten van hogere-orde spillover-effecten zonder te vertroueren op restrictieve aannames over het interferentiemechanisme of de specifieke functionele vorm van de exposure.

Robuustheid tegen Misspecificatie: Door het vermijden van exposure mapping functies, vermijden de voorgestelde estimatoren de bias die inherent is aan "naïeve" benaderingen die de reikwijdte of het mechanisme van interferentie onjuist specificeren.
Flexibiliteit: Het kader stelt onderzoekers in staat om interferentiesets conservatief te definiëren (bijv. alle eenheden bereikbaar via eindige paden) en nog steeds goed gedefinieerde causale effecten op specifieke netwerkafstanden te schatten.
Praktisch Nut: De empirische toepassing laat zien dat het negeren van hogere-orde interferentie of het hanteren van restrictieve aannames complexe patronen kan verhullen, zoals de niet-monotone relatie tussen behandelingsverzadiging en de omvang van de spillover.
Trade-off: De auteurs erkennen dat hoewel hun conservatieve aanpak robuustheid garandeert, dit ten koste kan gaan van efficiëntie (bredere betrouwbaarheidsintervallen) vergeleken met methoden die de interferentiestructuur correct specificeren. Zij bevelen deze aanpak aan wanneer de complexiteit van sociale processen het onverstandig maakt om zich te committeren aan restrictieve exposure mappings.