Multilevel causale mediatie-analyse met meerdere longitudinale mediatoren met onbekende causale structuur

Mediatie-analyse is een statistische methode binnen de psychologie en pedagogische wetenschappen die toelaat te onderzoeken hoe een behandeling een uitkomst beïnvloedt via tussenliggende variabelen, mediatoren genoemd. Traditionele methoden voor mediatie-analyse steunen op lineaire modellen met strikte assumpties. Alternatieve causale inferentie methoden laten niet-lineaire modellen toe, maar veronderstellen dat de causale ordening van de mediatoren correct gekend is, en dat ze geen ongemeten confounders hebben. Deze beperkingen verhinderen concrete toepassingen in realistische settings, en kunnen leiden tot ernstig misleidende resultaten, zelfs in het geval van twee mediatoren. Gebruik makende van nieuwe definities voor causale directe en indirecte effecten, stelde ik recent schatters voor die niet lijden onder dergelijke restricties. Als FWO-postdoc, zal ik verder methoden ontwikkelen voor twee vaak voorkomende en belangrijke settings met complexere data-structuren: longitudinale mediatoren en multilevel data. Uitbreidingen naar deze settings zijn een uitdaging omdat ze een zorgvuldige aanpak vereisen (i) voor complexe maar vaak ongekende patronen van confounders tussen de mediatoren, en (ii) voor de conceptualizering van meervoudige causale effecten die simultaan binnen en tussen individuen kunnen verlopen. De schattingsprocedure zal vrij ter beschikking gesteld worden via open software om toegepaste onderzoekers toe te laten hun belangrijke vragen te beantwoorden.