Lecture 7: experimentele studies
Hebben mensen die meer B-caroteen binnen krijgen een verlaagde kans op longkanker risico?
Waarom RCT?
Twee soorten counterfactual effecten:
Individueel causaal effect (ICE) verschillen tussen 2 potententiele uitkomsten.
Dit kan verschillen tussen individuen.
- Overleven zowel met als zonder parachute geen individueel causaal effect
- Dood zowel met als zonder parachute geen individueel causaal effect
- Overleven als geen parachute gebruikt wordt & sterven als parachute gebruikt negatief
individueel causaal effect
- Sterven als geen parachute & overleven als parachute positief individueel causaal effect
Voor een individu kun je nooit voorspellen wat er iemand gebeurt, je kan het enkel schatten voor een
groep van individuen.
Average causaal effect (ACE) = het populatie gemiddelde van de individuele level van causale
effecten. ACE is het verschil in uitkomst op populatie level. ACE kan geïnterpreteerd worden als beste
schatting of ICE, je kan een advies baseren voor iemand op basis van ACE. B.v. ik zou adviseren om
een parachute te gebruiken.
Dus in deze situatie:
Survival rate van de gehele populatie subjecten die uit het vliegtuig sprong met parachute – de
survival rate van de gehele populatie van subjecten die geen parachute gebruikte.
In de praktijk kan je dus nooit zeker weten wat er in de toekomst gaat gebeuren.
Hieronder staan voorbeelden van counterfactual translaties:
, Er is één groot probleem bij causale inference. Het is niet mogelijk om direct causale effecten te
observeren, (niet voor ICE en ACE), het is namelijk onmogelijk om potentiele uitkomsten te
observeren voor beiden interventies bij een individu. Gelukkig is er een andere optie, je kan een
schatter/estimator (s*) gebruiken. Survival rate van de gehele populatie subjecten die uit het
vliegtuig sprong met parachute – de survival rate van de gehele populatie van subjecten die geen
parachute gebruikte
MAAR LET OP
De populatie van mensen die de interventie krijgt, kan een hele andere groep mensen zijn dan de
groep mensen die de interventie niet krijgen, in een observationele studie.
Wanneer is er noodzaak voor randomisatie?
Een standaard estimator/schatter (s*) is unbiased en een consistente schatter van ACE als:
1. De gemiddelde potentiele schatter onder behandeling voor degene in de behandeling groep
gelijk is aan de gemiddelde potentiele uitkomst onder behandeling voor degene in de
controle groep. We willen weten of de uitkomst voor degene die met parachute uit het
vliegtuig springt, hetzelfde zou zijn geweest binnen de groep mensen die zonder parachute
sprongen als die ook met parachute zouden springen.
2. De gemiddelde potentiele uitkomst onder controle voor degene in behandelgroep zou gelijk
moeten zijn aan de gemiddelde potentiele uitkomst onder de controle groep voor degene in
de controle groep.
Deze conditie kan vergreken worden door random toewijzing van individuen aan de
behandeling en de controle groep (randomized experiment).
Hebben mensen die meer B-caroteen binnen krijgen een verlaagde kans op longkanker risico?
Waarom RCT?
Twee soorten counterfactual effecten:
Individueel causaal effect (ICE) verschillen tussen 2 potententiele uitkomsten.
Dit kan verschillen tussen individuen.
- Overleven zowel met als zonder parachute geen individueel causaal effect
- Dood zowel met als zonder parachute geen individueel causaal effect
- Overleven als geen parachute gebruikt wordt & sterven als parachute gebruikt negatief
individueel causaal effect
- Sterven als geen parachute & overleven als parachute positief individueel causaal effect
Voor een individu kun je nooit voorspellen wat er iemand gebeurt, je kan het enkel schatten voor een
groep van individuen.
Average causaal effect (ACE) = het populatie gemiddelde van de individuele level van causale
effecten. ACE is het verschil in uitkomst op populatie level. ACE kan geïnterpreteerd worden als beste
schatting of ICE, je kan een advies baseren voor iemand op basis van ACE. B.v. ik zou adviseren om
een parachute te gebruiken.
Dus in deze situatie:
Survival rate van de gehele populatie subjecten die uit het vliegtuig sprong met parachute – de
survival rate van de gehele populatie van subjecten die geen parachute gebruikte.
In de praktijk kan je dus nooit zeker weten wat er in de toekomst gaat gebeuren.
Hieronder staan voorbeelden van counterfactual translaties:
, Er is één groot probleem bij causale inference. Het is niet mogelijk om direct causale effecten te
observeren, (niet voor ICE en ACE), het is namelijk onmogelijk om potentiele uitkomsten te
observeren voor beiden interventies bij een individu. Gelukkig is er een andere optie, je kan een
schatter/estimator (s*) gebruiken. Survival rate van de gehele populatie subjecten die uit het
vliegtuig sprong met parachute – de survival rate van de gehele populatie van subjecten die geen
parachute gebruikte
MAAR LET OP
De populatie van mensen die de interventie krijgt, kan een hele andere groep mensen zijn dan de
groep mensen die de interventie niet krijgen, in een observationele studie.
Wanneer is er noodzaak voor randomisatie?
Een standaard estimator/schatter (s*) is unbiased en een consistente schatter van ACE als:
1. De gemiddelde potentiele schatter onder behandeling voor degene in de behandeling groep
gelijk is aan de gemiddelde potentiele uitkomst onder behandeling voor degene in de
controle groep. We willen weten of de uitkomst voor degene die met parachute uit het
vliegtuig springt, hetzelfde zou zijn geweest binnen de groep mensen die zonder parachute
sprongen als die ook met parachute zouden springen.
2. De gemiddelde potentiele uitkomst onder controle voor degene in behandelgroep zou gelijk
moeten zijn aan de gemiddelde potentiele uitkomst onder de controle groep voor degene in
de controle groep.
Deze conditie kan vergreken worden door random toewijzing van individuen aan de
behandeling en de controle groep (randomized experiment).
