ignorabiliteit

Ignorabiliteit, ook wel onconfoundedness genoemd, is een aanname in causaliteitsanalyses die vereist is om causale effecten uit observationele data te identificeren. De kern is dat de toewijzing van de behandeling onafhankelijk is van de potentiële uitkomsten, gegeven de gemeten covariaten. Met andere woorden: alle factoren die zowel de behandeling als de uitkomsten beïnvloeden zijn opgenomen in de covariatenset en worden gecontroleerd.

Formeel kan ignorabiliteit worden geschreven als Y0 en Y1 ⟂ T | X, waarbij Y0 en Y1 de potentiële uitkomsten zijn en T de behandeling aangeeft. Deze voorwaarde impliceert dat er geen ongedetecteerde confounding is buiten wat in X is vastgelegd. In combinatie met de positivi­­teits- of overlapping-voorwaarde (voor elke waarde van X moet er een positieve kans zijn op zowel T=1 als T=0) maakt ignorabiliteit identificeerbaar wat betreft het gemiddelde behandelings-effect.

Onder deze aannames is het gemiddelde behandelingseffect (ATE) identificeerbaar via verwachtingsberekeningen zoals E[ E[ Y | T=1, X] - E[ Y | T=0, X] ], oftewel het verschil in uitkomsten onder de twee behandelingsniveaus, gemixt over de verdeling van X. In praktijk worden hiervoor methoden gebruikt als propensity score matching, inverse probability weighting, stratificatie op de propensity score, regressie-aanpassingen en doubly robust estimators.

Beperkingen en kritiek richten zich op de plausibiliteit en verifieerbaarheid van ignorabiliteit. De aanname is nauwelijks rechtstreeks te testen en kan falen bij onbekende of onverwerkte confounders, meetfouten in X of misspecifieke modellen. Sensitiviteitsanalyses enrobustheidschecks zijn gebruikelijke praktijken om de impact van mogelijke schendingen te beoordelen.