📊 statistics

Asymptotic emergence of statistically supported false causal interpretation under unmeasured confounding

Dit artikel toont aan dat onder invloed van niet-gemeten confounding, het vergroten van de steekproefomvang paradoxaal genoeg kan leiden tot een grotere statistische zekerheid bij het identificeren van valse causale structuren gebaseerd op observeerbare proxies, wat een fundamentele discrepantie benadrukt tussen statistische zekerheid en het herstellen van ware causale mechanismen.

Oorspronkelijke auteurs: Mark Louie F. Ramos

Gepubliceerd 2026-07-31

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Mark Louie F. Ramos

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, maar je kunt alleen de aanwijzingen zien die zijn achtergelaten, niet de dader zelf. Dit is de wereld van observationele causale inferentie, een tak van de wetenschap waarbij onderzoekers proberen uit te zoeken wat wat veroorzaakt met behulp van gegevens uit de echte wereld, in plaats van gecontroleerde experimenten uit te voeren. In dit veld is een "oorzaak" als een dominosteen die een andere dominosteen omver duwt (het "effect"). Echter, er is een lastige regel: alleen omdat twee dingen tegelijkertief gebeuren (ze zijn "geassocieerd"), betekent dat niet dat het ene het andere heeft veroorzaakt. Soms is er een verborgen derde factor — een "confounder" — die beide stiekem voortstuwt. Bijvoorbeeld: de verkoop van ijsjes en het aantal haaienaanvallen gaan beide omhoog in de zomer, maar ijsjes veroorzaken geen haaienaanvallen; de verborgen oorzaak is het warme weer. Wetenschappers gebruiken speciale kaarten genaamd "DAG's" (Directed Acyclic Graphs) om hun theorieën over hoe deze dominostenen met elkaar verbonden zijn te tekenen, maar deze kaarten rusten op grote aannames over wat ze niet kunnen zien.

De grote vraag waar iedereen om geeft is: Kunnen we ooit zeker weten of we de echte oorzaak hebben gevonden? Naarmate we meer en meer gegevens verzamelen, worden we beter in het herkennen van patronen. We kunnen met een hoge mate van vertrouwen zeggen dat "A verbonden is met B." Maar betekent dat ook dat A B veroorzaakt? Dit artikel onderzoekt een angstaanjagende mogelijkheid: wat als we zo goed worden in het vinden van patronen dat we te zelfverzekerd worden over het verkeerde antwoord? Het suggereert dat zelfs met perfecte wiskunde en enorme hoeveelheden gegevens, we een zeer overtuigend, statistisch robuust verhaal kunnen construeren over de verkeerde verdachte, als de echte oorzaak onzichtbaar voor ons is.

De zaak van de onzichtbare poppenspeler

Stel dat je probeert uit te zoeken waarom een bepaalde plant in je tuin enorm groot wordt. Je vermoedt dat het de "Geheime Super-Bemesting" is (laten we het X noemen) die een mysterieuze tuinier stiekem op de grond giet. Maar hier is de crux: X is onzichtbaar. Je kunt het niet zien, niet meten, en zelfs niet weten dat het bestaat. Je kunt echter wel andere dingen in de tuin zien gebeuren. Je merkt dat elke keer als de plant groeit, de tuinslang ook water spuit (Z). In werkelijkheid veroorzaakt het onzichtbare meststof (X) zowel de groei van de plant als het spuiten van de slang (miss misschien omdat de meststof de bodem dorstig maakt, of omdat de tuinier de slang gebruikt om de meststof te mengen).

Stel je nu voor dat je een datawetenschapper bent met een supercomputer. Je besluit de tuin te bestuderen. Je weet niets van het onzichtbare meststof, dus je kijkt alleen naar de dingen die je kunt zien: de grootte van de plant en de watersproei. Je verzamelt gegevens van 10 planten, dan 100, dan 10.000. Naarmate je meer gegevens verzamelt, wordt je computer beter in het herkennen van de link tussen de watersproei en de plantengroei.

Het artikel stelt dat naarmate je gegevens groter worden en je wiskunde slimmer wordt, je uiteindelijk een punt zult bereiken waarop je 100% zeker bent dat de watersproei de plantgroei veroorzaakt. Je statistische tests zullen schreeuwen: "Dit is een echt effect! Het is geen toeval!" Je hebt een "stabiele, datagestuurde" relatie gevonden. Maar hier komt de twist: Je hebt het mis. Het water heeft de groei niet veroorzaakt; het onzichtbare meststof deed dat. Het water was slechts een "proxy" — een plaatsvervanger die toevallig meebewoog met de echte oorzaak.

De valstrik van "Meer Data"

De auteur, Mark Louie F. Ramos, laat zien dat dit geen fout is in je wiskunde of het resultaat van "p-hacking" (het manipuleren van cijfers om een resultaat te krijgen). Het is een fundamentele valstrik van de situatie zelf.

Denk eraan als het proberen te vinden van een spook in een spookhuis. Je kunt het spook niet zien (de echte oorzaak), maar je kunt de gordijnen bewegen en de lichten flikkeren zien (de proxies). Als je daar een lange tijd staat met een hogesnelheidscamera, zul je uiteindelijk met absolute zekerheid bewijzen dat "wanneer de gordijnen bewegen, de lichten flikkeren." Je zult een perfect, onwrikbaar statistisch bewijs hebben van deze verbinding. Maar als je concludeert dat "de gordijnen ervoor zorgden dat de lichten flikkerden," heb je het spook volledig gemist.

Het artikel bewijst dat als je blijft uitbreiden met meer variabelen aan je studie (meer dingen die je kunt zien in de tuin) en je steekproefomvang blijft vergroten (meer planten observeert), je onvermijdelijk deze "perfecte" links zult vinden tussen de verkeerde zaken. Hoe meer data je hebt, hoe consequenter je wordt in een verhaal dat volkomen onjuist is over waarom dingen gebeuren.

Waarom dit ertoe doet (En wat het niet is)

Het is belangrijk om te begrijpen wat dit artikel niet zegt. Het zegt niet dat wetenschappers slecht zijn in wiskunde, of dat ze sjoemelen door gegevens selectief te kiezen. Het artikel sluit expliciet de mogelijkheid uit dat dit slechts een "Type 1-fout" is (een vals alarm veroorzaakt door pech of slechte statistiek). Sterker nog, omdat de onzichtbare oorzaak echt en sterk is, zijn deze "verkeerde" resultaten zelfs waarschijnlijker om te worden herhaald dan willekeurige ruis. Als je het experiment opnieuw uitvoert met een miljoen planten, zul je steeds weer hetzelfde "verkeerde" antwoord krijgen. De associatie is echt; de causatie is de leugen.

Het artikel verduidelijkt ook dat dit geen probleem is met de instrumenten die we gebruiken (zoals de t-toets). Die instrumenten zijn geweldig in het vertellen of twee dingen verbonden zijn. Het probleem is dat we vaak vergeten dat die instrumenten alleen werken als we eerst een kaart van de wereld hebben afgesproken die de onzichtbare zaken bevat. Als onze kaart de "onzichtbare meststof" mist, zullen de instrumenten met vol vertrouwen vertellen dat de "tuinslang" de held is, en ze zullen dat met perfecte zekerheid doen.

De Conclusie

De belangrijkste bevinding is een beetje een tegenvaller voor degenen die denken dat "Big Data" al onze mysteries zal oplossen. Het artikel laat zien dat meer data het probleem van ontbrekende oorzaken niet oplost. In plaats daarvan maakt het ons meer zelfverzekerd over de verkeerde antwoorden.

De auteur concludeert dat we moeten stoppen met denken dat statistische analyse onze ideeën over wat wat veroorzaakt kan "valideren". Statistiek kan alleen de omvang van een effect aangeven als we ervan uitgaan dat onze kaart van de wereld correct is. Het echte werk — uitzoeken wat de onzichtbare oorzaken zijn — moet plaatsvinden voordat we de cijfers verwerken, met behulp van ons brein, onze theorieën en onze voorkennis, en niet alleen met onze rekenmachines.

Dus, de volgende keer dat je een studie leest die zegt: "We hebben een onwrikbare, statistisch significante link gevonden tussen A en B," denk dan aan de onzichtbare poppenspeler. De data kunnen perfect zijn, de wiskunde kan foutloos zijn en het vertrouwen kan sky-high zijn, maar als de echte oorzaak in de schaduwen verborgen blijft, kan het hele verhaal een zeer overtuigende illusie zijn.

Technische Samenvatting: Asymptotische Emergentie van Statistisch Onderbouwde Valse Causale Interpretatie onder Niet-gemeten Confounding

Probleemstelling
Het artikel behandelt een kritieke beperking in observationele causale inferentie: de neiging van datagestuurde causale ontdekkingsworkflows om statistisch robuuste maar causaleels onjuiste interpretaties te produceren wanneer er sprake is van niet-gemeten confounding (verstrengeling). Hoewel het een fundamenteel principe is in de causale theorie dat ongeobserveerde gemeenschappelijke oorzaken het herstel van ware causale effecten uit louter observationele data verhinderen, betoogt het artikel dat de implicaties van deze beperking voor causale ontdekking vaak worden onderschat. Specifiek, naarmate observationele datasets groter en rijker worden, kunnen standaard statistische procedures steeds vaker convergeren naar stabiele, significante associaties met observeerbare proxyvariabelen, waarbij deze niet-causale correlaties ten onrechte worden geïnterpreteerd als bewijs voor causale mechanismen.

Methodologie en Opzet
De auteur formaliseert dit fenomeen via een theoretisch asymptotisch kader met behulp van een Directed Acyclic Graph (DAG):

Ware Structuur: Er bestaat een ware causale variabele $X$ zodanig dat $X \to Y$ met een totaal effect $\rho$ , maar $X$ is niet geobserveerd ( $X \notin O$ ).
Proxies: Er bestaat een sequentie van observeerbare variabelen $\{Z_j\}$ in de geobserveerde verzameling $O$ . Deze variabelen zijn niet-causale proxies van $X$ (d.w.z. $X \to Z_j$ ) maar hebben geen directe causale rand naar de uitkomst ( $Z_j \not\to Y$ ). Echter, door de correlatie met $X$ , vertonen zij een niet-nul covariantie met zowel $X$ als $Y$ ( $Cov(X, Z_j) \neq 0$ en $Cov(Z_j, Y) \neq 0$ ).
Data-expansie: De analyse beschouwt een sequentie van toenemende subsets van observeerbare variabelen $\{O_k\}$ en toenemende steekproefgroottes $n$ .
Procedure: Een causale ontdekkingsprocedure $\mathcal{A}_{k,n}$ test hypothesen van de vorm $H_0: \theta_i = 0$ (geen associatie) versus $H_1: \theta_i \neq 0$ voor focale variabelen $W_{i,k} \in O_k$ . De procedure maakt gebruik van consistente schatters voor de associatie $\theta_i$ en standaard hypotheseonderzoeken. Onder de assumptie van geen ongemeten confounding tussen de focale variabele en de uitkomst, wordt een verwerping van $H_0$ geïnterpreteerd als het bewijs dat de variabele $Y$ veroorzaakt.

Kernresultaten
Het artikel biedt een asymptotische karakterisering die aantoont dat:

Onvermijdelijke Inclusie: Naarmate de verzameling observeerbare variabelen expandeert ( $k \to \infty$ ), nadert de waarschijnlijkheid dat de procedure ten minste één proxyvariabele $Z_j$ in zijn hypothesetests opneemt de 1.
Niet-nul Associatie: Voor elke dergelijke proxy $Z_j$ is de ware associatie met de uitkomst niet-nul ( $\theta_i \neq 0$ ) vanwege het confounding-pad via $X$ .
Asymptotische Zekerheid: Naarmate de steekproefgrootte $n \to \infty$ gaat, nadert de waarschijnlijkheid dat de procedure de nulhypothese correct verwerpt voor deze proxies de 1, gedreven door de consistentie van de schatters en de niet-nul ware associatie.
Valse Causale Conclusie: Bijgevolg zal de procedure voor voldoende grote $k$ en $n$ met een waarschijnlijkheid die de 1 nadert, concluderen dat een proxyvariabele $Z_j$ $Y$ veroorzaakt ( $Z_j \to Y$ ), ondanks het feit dat $Z_j$ geen causale ouder van $Y$ is.

Kernbijdragen
De primaire bijdrage is de expliciete demonstratie dat statistische zekerheid en causale validiteit afzonderlijke concepten zijn in aanwezigheid van niet-gemeten confounding. Het artikel toont aan dat:

Datahoeveelheid Lost Ambiguïteit Niet Op: Het vergroten van de steekproefomvang en de rijkdom van geobserveerde kenmerken leidt niet noodzakelijkerwijs tot de identificatie van de ware causale structuur. In plaats daarvan vergroten ze de statistische zekerheid in relaties die betrokken zijn bij observeerbare proxies.
Reproduceerbaarheid van Valse Causaliteit: In tegenstelling tot problemen voortvloeiend uit p-hacking of Type I-fout inflatie (bijv. data dredging), zijn deze valse causale conclusies robuust en reproduceerbaar. Omdat de onderliggende associaties echt zijn (gedreven door de ongeobserveerde confounder), zal het herhalen van de studie met grotere steekproeven consistent dezelfde "statistisch significante" maar causale onjuiste resultaten opleveren.
Onderscheid van Assumpties: Het werk verheldert de scheiding tussen identificatie-assumpties (bijv. de structuur van de DAG, afwezigheid van niet-gemeten confounding) en statistische assumpties (bijv. normaliteit, lineariteit). Terwijl statistische assumpties vaak gevalideerd kunnen worden of robuust zijn tegen kleine schendingen, zijn identificatie-assumpties rigide en kunnen zij niet door de data zelf gevalideerd worden.

Betekenis en Claims
Het artikel claimt niet een nieuwe methode voor causale identificatie te introduceren of het gebruik van observationele causale inferentie te ontmoedigen. In plaats daarvan ligt de betekenis in het onderstrepen van een fundamentele epistemologische grens:

Meten versus Valideren: Het doel van observationele causale inferentie is het meten van de grootte van een effect gegeven specifieke assumpties, niet het valideren van die assumpties met behulp van dezelfde data.
De Operationele Vraag: De juiste formulering van onderzoek is niet "Veroorzaakt $X$ $Y$ ?", maar "Stel dat $X$ $Y$ veroorzaakt, wat is dan de grootte van dat effect?".
Asymptotische Convergentie naar Fouten: Het artikel waarschuwt dat strategieën die streven naar het ontdekken van stabiele, datagestuurde DAG's uit steeds grotere datasets, asymptotisch kunnen convergeren naar verklaringen die weliswaar de geobserveerde associaties accuraat vastleggen, maar de causaliteit onterecht toeschrijven aan proxyvariabelen in plaats van aan het ongeobserveerde mechanisme.

De auteur concludeert dat onderzoekers, reviewers en lezers de assumpties die ten grondslag liggen aan causale modellen met minstens evenveel nauwgezetheid moeten behandelen als de statistische analyse zelf, waarbij zij moeten erkennen dat meer data alleen de causale ambiguïteit niet kan oplossen wanneer de ware causale variabele ongeobserveerd is.

De zaak van de onzichtbare poppenspeler

De valstrik van "Meer Data"

Waarom dit ertoe doet (En wat het niet is)

De Conclusie

Technische Samenvatting: Asymptotische Emergentie van Statistisch Onderbouwde Valse Causale Interpretatie onder Niet-gemeten Confounding

Meer zoals dit