Causal Effects of Modified Treatment Policies under Positivity Violations: A Partial Identification Approach
Dit artikel stelt een raamwerk voor partiële identificatie voor het schatten van causale effecten van gemodificeerde behandelingsbeleid onder schendingen van positiviteit door ongeobserveerde uitkomsten te begrenzen via Lipschitz-continuïteit en een nieuwe interior-displaced projectiemethode te introduceren om pad-differentieerbare, asymptotisch normale schatters te waarborgen die robuuste betrouwbaarheidsintervallen bieden waar traditionele methoden die positiviteit veronderstellen falen.
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 het effect van een nieuw beleid te begrijpen door te kijken naar wat er in het verleden met mensen is gebeurd. Als het beleid zegt: "Iedereen moet de blootstelling aan pesticiden met twintig procent verminderen," kunnen onderzoekers de uitkomst meestal voorspellen door mensen te vinden die van nature dat lagere blootstellingsniveau hadden en te zien wat er met hen gebeurde. Dit werkt goed wanneer de data rijk zijn en alle noodzakelijke grond bestrijken. Echter, in de echte wereld, vooral bij het werken met complexe mengsels van chemicaliën of continue variabelen zoals medicijndoseringen, vertonen de gegevens vaak gaten. Er zijn combinaties van factoren die simpelweg niet bestaan in de historische registers. Wanneer een beleid vraagt om een verandering die in een van deze lege zones landt, worden standaardmethoden gedwongen te raden wat er zou gebeuren, waarbij ze vaak vertrouwen op wiskundige modellen die zich ver buiten het beschikbare bewijs uitstrekken. Dit gokspel is riskant omdat de modellen fout kunnen zijn, wat leidt tot misleidende conclusies over de vraag of een beleid veilig of schadelijk is.
Een team onderzoekers van de Columbia University en de Johns Hopkins University heeft een nieuwe manier ontwikkeld om deze gaten aan te pakken zonder gevaarlijke gokjes te wagen. In plaats van te proberen de ontbrekende stukjes aan te vullen met een enkele, rigide formule, behandelen zij het onbekende gebied als een zone van onzekerheid. Ze accepteren dat ze niet de exacte uitkomst kunnen weten voor elke persoon die het beleid zou kunnen treffen, maar ze kunnen wel een bereik van mogelijke uitkomsten berekenen dat gegarandeerd de waarheid bevat. Hun aanpak splitst het probleem in twee delen: het deel waar data bestaat en het deel waar dat niet het geval is. Voor het deel met data gebruiken ze standaard, betrouwbare methoden om het antwoord te vinden. Voor het deel zonder data gokken ze niet op een specifiek getal. In plaats daarvan kijken ze naar de dichtstbijzijnde persoon in de data die vergelijkbaar is met het ontbrekende geval en stellen ze een simpele vraag: hoeveel zou de uitkomst mogelijk kunnen veranderen als we slechts een klein beetje verder weg zouden bewegen?
Om dit te beantwoorden, leggen de onderzoekers een regel van gladheid op. Ze gaan ervan uit dat de uitkomst niet wild verandert over korte afstanden; als twee situaties zeer vergelijkbaar zijn, moeten hun resultaten ook enigszins vergelijkbaar zijn. Door de afstand tussen het ontbrekende geval en het dichtstbijzijnde bekende geval te meten, en deze afstand te vermenigvuldigen met een veiligheidsfactor die vertegenwoordigt hoeveel de uitkomst zou kunnen variëren, creëren ze een veilige grens. Deze grens werkt als een hek, waardoor de ware uitkomst ergens binnen het berekende bereik ligt. De onderzoekers noemen dit een "partial identification" (gedeeltelijke identificatie) benadering, omdat het een bereik van mogelijkheden identificeert in plaats van een enkel punt. Ze ontdekten dat deze methode bijzonder belangrijk is bij het werken met mengsels van chemicaliën, zoals de diverse pesticiden die in het milieu worden aangetroffen. In deze gevallen bewegen de chemicaliën vaak samen in de data, wat het erg moeilijk maakt om voorbeelden te vinden waar de ene laag is terwijl de andere hoog is, waardoor er grote gaten in de informatie ontstaan.
Het team testte hun methode met behulp van computersimulaties waarbij ze het ware antwoord vooraf kenden. In scenario's waarin standaardmethoden, die vertrouwen op het raden van de ontbrekende data, er niet in slaagden het ware antwoord te vatten, slaagde de nieuwe methode erin om het juiste resultaat binnen het berekende bereik te houden. Ze pasten hun techniek ook toe op een praktijkstudie naar de relatie tussen blootstelling aan pesticiden en maternale hypertensie in een specifieke gemeenschap. De standaardmethoden suggereerden een beschermend effect, wat impliceerde dat het verminderen van de blootstelling aan pesticiden het risico op een hoge bloeddruk zou verlagen. Echter, toen de onderzoekers hun nieuwe, meer voorzichtige aanpak toepasten, vonden ze dat deze suggestie van een beschermend effect niet robuust was. Zodra ze rekening hielden met de onzekerheid in de gaten van de data, verdween het bewijs voor een beschermend effect. Dit betekent niet dat het beleid slecht is, maar eerder dat de data niet sterk genoeg zijn om een zelfverzekerde claim dat het goed is te ondersteunen.
Een grote hindernis die de onderzoekers moesten overwinnen, was een technisch probleem met betrekking tot hoe zij de grens tussen de bekende en de onbekende data definieerden. In hun initiële ontwerp was de grens een scherpe lijn, wat het wiskundig moeilijk maakte om de precisie van hun schattingen te berekenen. Om dit op te lossen, introduceerden ze een slimme aanpassing waarbij de grens iets naar binnen werd verschoven, waardoor een dunne, gladde laag ontstond waar de overgang plaatsvindt. Deze kleine geometrische verandering stelde hen in staat om krachtige statistische instrumenten te gebruiken om te bewijzen dat hun schattingen betrouwbaar zijn en om betrouwbaarheidsintervallen te construeren die geldig zijn over verschillende niveaus van onzekerheid. Ze toonden aan dat door een kleine hoeveelheid onzekerheid in de berekening te accepteren, ze een veel duidelijker en eerlijker beeld konden krijgen van wat de data daadwerkelijk ondersteunen.
Dit werk benadrukt een fundamentele verschuiving in hoe we moeten denken over beleidsanalyse in complexe omgevingen. In plaats van een enkel getal uit incomplete data te forceren, wat vaak leidt tot overmoed, is het beter om de grenzen van wat we weten te erkennen. De onderzoekers hebben aangetoond dat door expliciet de aannames over hoeveel uitkomsten kunnen veranderen over afstand te vermelden, en door een bereik te berekenen dat die aannames respecteert, we de valstrik van valse zekerheid kunnen vermijden. Hun methode biedt een instrument voor wetenschappers en beleidsmakers om helder te zien wanneer de effecten van een beleid worden ondersteund door bewijs en wanneer ze slechts het resultaat zijn van een wiskundige gok. Uiteindelijk is het doel niet om onzekerheid te elimineren, wat vaak onmogelijk is, maar om deze nauwkeurig te meten zodat beslissingen kunnen worden genomen met een volledig begrip van de betrokken risico's.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.