📊 statistics

The positivity assumption in causal mediation analyses? Checked!

Dit artikel behandelt de vaak over het hoofd geziene positiviteitsaanname in causale mediatieanalyses door het Positivity Regression Trees (PoRT) algoritme uit te breiden om gecontroleerde, natuurlijke en interventionele mediatie-effecten te verwerken, waarbij een praktisch hulpmiddel wordt geboden voor de detectie en discussie van schendingen via het `port` R-pakket.

Oorspronkelijke auteurs: Arthur Chatton, Geneviève Lefebvre, Mireille E. Schnitzer, Denis Talbot

Gepubliceerd 2026-07-29

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Arthur Chatton, Geneviève Lefebvre, Mireille E. Schnitzer, Denis Talbot

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: waarom is een specifieke gebeurtenis plaatsgevonden? In de wereld van de wetenschap wordt dit causale inferentie genoemd. Meestal kijken detectives naar een eenvoudige keten van gebeurtenissen: A veroorzaakte B. Maar het leven is zelden zo rechtlijnig. Vaak veroorzaakt A B omdat het eerst C veroorzaakte, wat vervolgens B veroorzaakte. Deze tussenstap, C, wordt een mediator genoemd. Bijvoorbeeld, misschien leidt hard studeren (A) tot betere cijfers (B) omdat het je zelfvertrouwen (C) vergroot. Om dit te bewijzen, gebruiken wetenschappers een speciale gereedschapskist genaamd causale mediatie-analyse.

Echter, deze gereedschapskist heeft een zeer strikte regel genaamd positiviteit. Denk aan het als een recept voor een taart. Als je wilt weten hoe suiker de smaak beïnvloedt, moet je taarten hebben gebakken met suiker en taarten zonder suiker. Als je alleen gegevens hebt over mensen die suiker hebben gegeten, kun je niet magisch raden wat er zou zijn gebeurd als ze het niet hadden gedaan. In de wetenschap betekent "positiviteit" dat voor elk type persoon in je studie, er een kans moet zijn dat zij elke mogelijke versie van de oorzaak en de mediator hebben ervaren. Als een specifieke groep mensen een bepaalde conditie nooit ervaart in jouw gegevens, stort de wiskunde in en kan de detective het mysterie niet oplossen. Het probleem is dat controleren of deze regel wordt geschonden, ongelooflijk moeilijk is, vooral wanneer er meerdere stappen in de keten zijn.

Hier komt een team van onderzoekers onder leiding van Arthur Chatton met een nieuwe, slimme tool. Ze realiseerden zich dat, hoewel wetenschappers uitstekend zijn in het controleren of de "suiker"-regel wordt geschonden voor eenvoudige oorzaak-gevolgrelaties, ze dit vaak vergeten te controleren voor complexere "suiker-dan-zelfvertrouwen"-ketens. De auteurs stellen dat onderzoekers zonder deze controle wellicht conclusies trekken uit het niets. Om dit op te lossen, hebben ze een nieuwe methode uitgevonden genaamd dePoRT (decomposition Positivity Regression Trees).

Denk aan dePoRT als een superintelligent, geautomatiseerd "zoek de verschillen"-spel. Stel je voor dat je een enorme stapel studentgegevens hebt. Je wilt weten of kindermishandeling leidt tot geweld in relaties, bijvoorbeeld via de religieuze betrokkenheid of het stressniveau van een student. De onderzoekers bouwden een digitale boom die deze stapel studenten in steeds kleinere groepen splitst op basis van hun kenmerken (zoals leeftijd, opleiding van ouders of inkomen). Vervolgens controleert de boom elke kleine groep met de vraag: "Hebben we hier genoeg mensen die de oorzaak hebben ervaren? Hebben we genoeg mensen die de mediator hebben ervaart?"

Als de boom een groep vindt waar bijvoorbeeld slechts 2% van de studenten een hoge religieuze betrokkenheid heeft (terwijl de wiskunde meer vereist om zeker te zijn), markeert die groep als een "schending". Het is als een verkeerslicht dat rood wordt voor een specifieke buurt, en de onderzoeker vertelt: "Hé, je kunt de resultaten voor deze specifieke mensen niet vertrouwen omdat de gegevens ontbreken."

Het artikel vindt dePoRT niet alleen uit als een tool; ze hebben het getest op echte gegevens van 6.224 universiteitsstudenten. Ze ontdekten dat hoewel de algemene studie er goed uitzag, specifieke subgroepen — zoals studenten met bepaalde combinaties van opleidingsniveaus en leeftijden van hun ouders — de noodzakelijke gegevens misten om de link tussen geweld en stress of religie te bewijzen. In sommige gevallen betekende dit dat de onderzoekers hun strategie moesten aanpassen. In plaats van te proberen een "natuurlijk" effect te berekenen (wat er zou gebeuren als het stressniveau van een student magisch zou veranderen), stapten ze over op een "interventioneel" effect (wat er zou gebeuren als we voor iedereen een verandering in stress zouden afdwingen). Deze overstap stelde hen in staat om een betrouwbaar antwoord te krijgen, zelfs wanneer de gegevens voor sommige groepen imperfect waren.

De auteurs waarschuwen dat dit geen toverstaf is die kapotte gegevens repareert. Als een groep mensen structureel niet in staat is om een bepaalde conditie te ervaren (bijvoorbeeld als het fysiek onmogelijk is voor een specifieke subgroep om een hoge stress te ervaren), kan geen enkele wiskunde dat repareren. Maar voor gevallen waarbij de gegevens simpelweg door toeval ontbreken (willekeurige schendingen), helpt dePoRT wetenschappers precies te zien waar de gaten zitten. Door deze tool te gebruiken, kunnen onderzoekers stoppen met gissen en precies weten welke delen van hun studie solide zijn en welke wankel. Ze hebben hun tool zelfs gratis en gemakkelijk beschikbaar gemaakt voor iedereen met een R-package, in de hoop het hele veld van causale mediatie eerlijker en transparanter te maken.

Technische Samenvatting: De Positiviteitsveronderstelling in Causale Mediatieanalyses

Probleemstelling
Causale mediatieanalyse, die tracht het totale effect van een blootstelling op een uitkomst te ontleden in directe en indirecte paden, steunt op sterke identificatieveronderstellingen. Terwijl de veronderstelling van uitwisselbaarheid (geen niet-gemeten confounding) uitgebreide aandacht heeft gekregen, wordt de positiviteitsveronderstelling in mediatieomgevingen vaak over het hoofd gezien. Schendingen van positiviteit komen voor wanneer specifieke subgroepen, gedefinieerd door covariaten, een nul- of bijna-nulkans hebben om een specifieke blootstelling of mediatorwaarde te ontvangen.

In mediatieanalyse is positiviteit complexer dan in standaard totale effectanalyse. Het vereist niet-nul kansen voor zowel de blootstelling als de mediator, en de specifieke vorm van de veronderstelling hangt af van de causale estimand van belang (bijv. Controlled Direct Effect, Natural Effects, of Interventional Effects). Momenteel is er een gebrek aan robuuste, assumptievrije instrumenten om deze positiviteitscondities in de praktijk te verifiëren. Bestaande methoden, zoals het controleren van propensity scores, zijn gevoelig voor modelspecificatie en kunnen er niet in slagen de specifieke subgroepen te identificeren die de schendingen veroorzaken.

Methodologie: Het dePoRT-algoritme
De auteurs stellen dePoRT voor (decomposition Positivity Regression Trees), een uitbreiding van het Positivity Regression Trees (PoRT) algoritme dat oorspronkelijk door Danelian et al. (2023) is ontwikkeld voor totale effectanalyse. dePoRT is ontworpen om praktische positiviteitsschendingen te verifiëren zonder parametrische aannames te doen over het datagenereerproces.

Het algoritme werkt volgens de volgende logica:

Boomconstructie: Het bouwt een sequentie van regressie- of classificatiebomen waarbij de blootstelling of de mediator de afhankelijke variabele is en de covariaten de onafhankelijke variabelen zijn. In tegen tegenstelling tot parametrische modellen, leren bomen direct niet-lineaire en niet-monotone associaties uit de data.
Subgroepidentificatie: Het algoritme splitst de data iteratief op in subgroepen (nodes). Het "leest" deze nodes om subgroepen te identificeren waar de waarschijnlijkheid van de blootstelling of de mediator onder een vooraf gespecificeerde drempel ( $\beta$ ) valt.
Hyperparameters:
- $\beta$ : Een ondergrens voor de minimale waarschijnlijkheid (bijv. Gruber's bound $\beta = 5/(\sqrt{n} \cdot \ln(n))$ ) waaronder een subgroep als een schending van positiviteit wordt beschouwd.
- $\alpha$ : Een drempel voor de minimale subgroepsgrootte (bijv. 1% van de steekproef) om schendingen in verwaarloosbare subgroepen te filteren die de schatting mogelijk niet beïnvloeden.
- $\gamma$ : Een stop-parameter die het aantal covariaten dat gelijktijdig in een boom wordt overwogen beperkt om complexiteit te beheersen.
Adaptatie voor Mediatie:
- Controlled Direct Effects (CDE): Vereist het controleren van de positiviteit voor de blootstelling ( $A$ ) en de mediator ( $M$ ) geconditioneerd op covariaten ( $C$ ) binnen specifieke blootstellingsstrata.
- Natural Effects: Betreft geneste potentiële uitkomsten ( $Y_{a, M_{a^*}}$ ). De auteurs introduceren een "reverse engineering"-aanpak: eerst identificeren ze subgroepen waar de mediatorverdeling in één blootstellingsgroep ( $A=a$ ) geen ondersteuning heeft; daarna verifiëren ze of de mediatorwaarde aanwezig is in de contrafactuele blootstellingsgroep ( $A=a^*$ ) voor diezelfde subgroep. Als de waarde afwezig is in de contrafactuele groep, is de schending structureel; als deze wel aanwezig is, is het een schending van de specifieke estimand.
- Interventional Effects: Vergelijkbaar met natural effects, maar houdt rekening met intermediaire confounders ( $L$ ) die door de blootstelling worden beïnvloed. De support-check omvat het verifiëren van de prevalentie van de mediator geconditioneerd op zowel de covariaten ( $C$ ) als de intermediaire confounder ( $L$ ).

Belangrijkste Bijdragen

Algoritmische Uitbreiding: Het artikel breidt het PoRT-framework uit naar de specifieke en complexe positiviteitsvereisten van causale mediatieanalyse, inclusief Controlled Direct, Natural, en Interventional effects.
Toolontwikkeling: De auteurs hebben dePoRT geïmplementeerd in het R-pakket port en een reproduceerbare notebook geleverd, waardoor deze controles toegankelijk zijn voor toegepaste onderzoekers.
Empirische Illustratie: De methode wordt toegepast op een dataset uit de International Dating Violence Study om het effect van blootstelling aan geweld in de kindertijd op datinggeweld te onderzoeken, gemedieerd door religiositeit en posttraumatische stresssymptomen (PTSS).
- De analyse toonde aan dat terwijl de positiviteit van de blootstelling standhield, de mediator-positiviteit werd geschonden voor specifieke subgroepen (bijv. studenten met specifieke niveaus van ouderlijke opleiding en religieuze betrokkenheid).
- De toepassing liet zien hoe dePoRT kan sturen bij de keuze van een estimand; bijvoorbeeld is een bepaalde decompositie van natural effects wel identificeerbaar terwijl een andere dat niet is, vanwege verschillende positiviteitsschendingen.
- In de aanwezigheid van een intermediaire confounder (PTSS), illustreerden de auteurs hoe men de positiviteit voor interventional effects kan controleren, waarbij ze schendingen identificeerden die de schattingen van natural effects zouden beïnvloeden.

Resultaten en Bevindingen
In het motiverende voorbeeld onthulde de toepassing van dePoRT:

Totaal Effect: Geen positiviteitsschendingen gevonden voor de blootstelling.
Controlled Direct Effect: 14 subgroepen schonden de mediator-positiviteitsveronderstelling. De auteurs concludeerden dat dit waarschijnlijk willekeurige (praktische) schendingen waren in plaats van structurele, wat schatting via de geïtereerde g-formule mogelijk maakt.
Natural Effects: De analyse identificeerde dat de decompositie die $E(Y_{0, M_1})$ betreft minder positiviteitsschendingen had dan de alternatieve ( $E(Y_{1, M_0})$ ), wat suggereert dat de eerste een robuustere keuze is voor deze dataset.
Interventional Effects: Bij het rekening houden met PTSS identificeerde de methode specifieke schendingen voor de interventional direct en indirect effects, wat de conclusie versterkte dat religiositeit de relatie in deze context niet medieert.

Betekenis en Claims
De auteurs claimen dat dePoRT een kritiek gat vult in de causale mediatie-toolkit door een model-vrije methode te bieden om positiviteitsveronderstellingen te verifiëren. Ze benadrukken dat:

Robuustheid: In tegenstelling tot op propensity scores gebaseerde controles, leunt dePoRT niet op parametrische modelspecificaties, wat het risico op modelafhankelijke fout-negatieven of fout-positieven vermindert.
Beslissingsondersteuning: De tool helpt onderzoekers bepalen welke causale estimands identificeerbaar zijn met hun specifieke data. Als positiviteit geschonden is voor een voorkeursestimand (bijv. een specifieke natural effect decompositie), kunnen onderzoekers overstappen op een alternatieve estimand (bijv. een interventional effect of een andere decompositie) die wel door de data wordt ondersteund.
Transparantie: Door expliciet de subgroepen te identificeren waar de aannames falen, bevordert dePoRT transparantie in causale inferentie, waardoor kwalitatieve interpretatie mogelijk is of schendingen structureel zijn (wat een herdefinitie van de doelpopulatie vereist) of willekeurig (wat adresseerbaar is via extrapolatie of alternatieve estimators).

Het artikel sluit bescheiden af met de opmerking dat dePoRT geen "silver bullet" is. De geldigheid ervan hangt nog steeds af van de correcte identificatie van confounders, de afwezigheid van meetfouten en de passende selectie van hyperparameters. Het vertegenwoordigt echter een belangrijke stap naar een meer rigoureuze en transparante causale mediatieanalyse.

Technische Samenvatting: De Positiviteitsveronderstelling in Causale Mediatieanalyses

Meer zoals dit