Ein kausales Mediationsmodell basierend auf maschinellem Lernen ohne die "keine-vergessenen-konfundierenden-Variablen" Annahme für latente Variablen und intensive Längsschnittdaten

• Antragsteller: Professor Dr. Holger Brandt
• Fachliche Zuordnung: Persönlichkeitspsychologie, Klinische und Medizinische Psychologie, Methoden
• Förderung: Förderung seit 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 529799871

In diesem Antrag entwickle ich eine neue Modellklasse zur Identifizierung von Mediatorvariablen in Interventionsstudien, die nicht auf der Annahme von „No-Omitted-Confoundern“ oder sequentieller Ignorabilität beruht. Stattdessen lassen die neuen Methoden die Existenz von unbeobachteten konfundierden Variablen zu und liefern immer noch unverzerrte und konsistente Schätzungen unter einer Vielzahl von Bedingungen. Ich stelle drei wichtige Erweiterungen eines bestehenden Grundmodells, des sogenannten Rank Preserving Models, zur Verfügung: Erstens werde ich einen (Bayes'schen) latenten-Variablen-Modellierungsansatz entwickeln, der die gleiche Flexibilität wie Strukturgleichungsmodelle (SEM) besitzt. Während SEM bei Anwendung auf Mediationsanalysen implizit und automatisch von sequentieller Ignorierbarkeit ausgehen, benötigt das neue Modell diese unplausible Annahme nicht. Zweitens werde ich das Modell für intensive Längsschnittdaten um einen dynamischen Ansatz erweitern, der es Forscher*innen ermöglicht, personen- und zeitbezogene Heterogenität kausaler Mediationseffekte über Zufallseffekte zu modellieren. Drittens werde ich eine auf maschinellem Lernen basierende Methode, den Causal Effect Variational Autoencoder, verwenden, um die RPM sowohl für hochdimensionale Probleme mit vielen Kovariaten als auch für nicht-randomisierte Interventionen zu erweitern, wenn zumindest „noisy“ Proxy-Variablen vorhanden sind, die zur Berücksichtigung der potentiellen Konfundierung verwendet werden können. In einem letzten Meilenstein werde ich einen übergreifenden Vergleich verschiedener State-of-the-Art-Methoden des Maschinellen Lernens für kausale Mediationsmodelle, die in den letzten Jahren entwickelt wurden, durchführen. Neben den statistischen Entwicklungen wird die Modellperformanz mit Simulationsstudien untersucht und mit empirischen Daten unter jedem Meilenstein veranschaulicht. Das Ergebnis des Antrags ist ein flexibler, breit anwendbarer Ansatz zur Identifizierung von Mediatorvariablen in einem kausalen Rahmen, selbst wenn relevante konfundierende Variablen in der Analyse fehlen.

• DFG-Verfahren: Sachbeihilfen