Rubin'in Nedensel Modelinde Tartışmasızlık - Layman'ın açıklaması


13

Rubin'in nedensel modelini uygularken, ihtiyacımız olan (test edilemez) varsayımlardan biri anlamsızlıktır, yani

(Y(0),Y(1))T|X

LHS'nin karşı olgusal olduğu durumlarda, T tedavidir ve X kontrol ettiğimiz ortak değişkenlerdir.

Bunu Rubin Nedensel Modeli hakkında fazla bir şey bilmeyen bir kişiye nasıl tarif edeceğini merak ediyorum. Teorik olarak bu varsayımı niye ihtiyacımız olduğunu anlıyorum, ancak kavramsal olarak bunun neden önemli olduğundan emin değilim. Özellikle, eğer T tedavi ise, potansiyel sonuç ona çok bağımlı olmamalı mı? Yanı sıra, daha sonra otomatik olarak randomize kontrollü bir çalışma, varsa . Bu neden geçerli?(Y(0),Y(1))T

RCM'yi çalışmayan birine huzursuzluk / bilgisizlik varsayımını nasıl tanımlarsınız?


Eğilim skor eşleşmesine gelince, önce koşullu dağılımının koşullu dağılımına denk geldiğini kanıtlamak kolaydır. . Bu nedenle, akılsızlık / bilgisizlik, . Rastgele denemeler için , denemelere katılan diğer değişkenlerden bağımsız olmalıdır. X | T=1,p(X)=qX | T=0,p(X)=q(Y(0),Y(1))  T | p(X)T
Viktor

Yanıtlar:


12

RCM'yi çalışmayan birine huzursuzluk / bilgisizlik varsayımını nasıl tanımlarsınız?

Nedensel çıkarımda usta olmayan birine sezgi ile ilgili olarak, grafikleri kullanabileceğiniz yer burası. Görsel olarak "akış" göstermeleri anlamında sezgiseldirler ve aynı zamanda gerçek dünyada cehaletin ne anlama geldiğini de netleştireceklerdir.

Koşullu cehalet, arka kapı kriterlerini karşıladığını iddia etmekle eşdeğerdir . Bu nedenle, sezgisel olarak, için seçtiğiniz ortak değişkenlerin ve ortak nedenlerinin etkisini "engellediğini" (ve başka sahte dernekler açmadıklarını) söyleyebilirsiniz .XXTY

Sorununuzun akla gelebilecek sadece karıştırıcı değişkenleri kendisindeki değişkenler ise , bu açıklanması önemsizdir. Sadece ve tüm ortak nedenlerini içerdiğini söylüyorsunuzXXTY sen kontrol etmemiz gerekir, hepsi bu. Yani ona dünyayı böyle görüyorsunuz diyebilirsiniz:

resim açıklamasını buraya girin

Daha ilginç olanı, orada başka akla yatkın karışıklıklar olabileceğidir. Daha spesifik olmak gerekirse, kişiden probleminizin olası bir karışıklığını adlandırmasını isteyebilirsiniz - yani, ondan her ikisine de neden olan bir şeyT ve Y, ama içinde değil X.

Kişinin bir değişkene ad verdiğini söyle Z. O zaman o kişiye koşullu cehalet varsayımınızın etkili bir şekilde ne anlama geldiğiniX etkisini "engelleyecek" Z üzerinde T ve / veya Y.

Ve ona bunun doğru olduğunu düşündüğünüz için önemli bir neden belirtmelisiniz. Bunu temsil edebilecek birçok grafik var, ancak bu açıklamayı bulduğunuzu söyleyin: "Z sonuçlara ağırlık vermeyecektir çünkü Z nedenleri T ve Y, üzerindeki etkisi T sadece üzerinden geçer Xkontrol ediyoruz ve sonra bu grafiği göster:

resim açıklamasını buraya girin

Ve diğer kurucuları düşünüp ona X grafik üzerinde görsel olarak engelliyor.

Şimdi kavramsal soruları cevaplıyoruz:

Özellikle, eğer T tedavi ise, potansiyel sonuç ona çok bağımlı olmamalı mı? Ayrıca, randomize kontrollü bir denememiz varsa, o zaman otomatik olarak,. Bu neden geçerli?

Hayır. Ttedavi ödevi olarak. Söylediği şey, tedaviyi insanlara tedaviye nasıl tepki verdiklerini "görmezden" atadığınızdır (karşı olgusal potansiyel sonuçlar). Bunun basit bir ihlali, potansiyel olarak ondan en fazla yararlanacak olanlara tedavi verme eğiliminiz olacaktır.

Rastgele yaptığınızda bu da otomatik olarak tutulur. Tedavi edileni rastgele seçerseniz, bu, onları seçmek için tedaviye olası yanıtlarını kontrol etmediğiniz anlamına gelir.


Cevabı tamamlamak için, nedensel süreçten bahsetmeden, yani yapısal denklemleri / grafik modelleri çağırmadan cehaleti anlamanın gerçekten zor olduğunu fark etmekte fayda var. Çoğu zaman araştırmacıların "tedavi rastgele gibi" fikrine çekici geldiklerini, ancak bunun neden olduğunu veya neden gerçek dünya mekanizmaları ve süreçleri kullanılarak akla yatkın olduğunu gerekçelendirmeden gördüklerini görürsünüz.

Aslında, birçok araştırmacı istatistiksel yöntemlerin kullanımını haklı çıkarmak için kolaylık için cehalet olduğunu varsayar. Joffe, Yang ve Feldman gazetesinden bu pasaj, çoğu insanın konferans sunumları sırasında bildiği ancak söylemediği rahatsız edici bir gerçeği anlatıyor : "Bilgisizlik varsayımları genellikle mevcut istatistiki yöntemlerin kullanılmasını haklı kıldığı için yapılır, çünkü gerçekten inanıldıkları için değil."

Ancak, cevabın başında söylediğim gibi, bir tedavi atamasının cahil olup olmadığını tartışmak için grafikler kullanabilirsiniz. Cehabilite kavramının kendisini kavramak zor olsa da, karşı-olgusal miktarlar hakkında yargılar belirttiği için, grafiklerde temel olarak nedensel süreçler (bu değişken, vb. Neden olur) hakkında açıklanması kolay ve görsel olarak çekici nitelikte ifadeler yapıyorsunuz.

Önceki bir cevapta belirtildiği gibi, grafikler ve potansiyel sonuçlar arasında resmi bir denklik vardır . Böylece, potansiyel sonuçları grafiklerden de okuyabilirsiniz. Bu bağlantıyı daha resmi hale getirmek (daha fazla bilgi için Pearl's Causality, s.343), aşağıdaki tanıma başvurabilirsiniz: potansiyel sonuçlar, T sabit tutulduğunda Y'yi etkileyen tüm değişkenlerin (gözlemlenen ve hata terimleri) toplamıdır .

Daha sonra, cahilliğin RCT'de neden tutulduğunu görmek kolaydır, ancak daha da önemlisi, cahilliğin tutmayacağı durumları kolayca tespit etmenizi sağlar. Örneğin, grafikteTXY, T göz ardı edilebilir, ancak X koşullu olarak göz ardı edilemez, çünkü X'i koşullandırdığınızda, X'ten T hata terimine çarpışan bir yol açarsınız.

Özetle, birçok araştırmacı rahatlık için varsayılan olarak cahillik varsayımı yapar. Neden böyle olduğunu resmi olarak gerekçelendirmeye gerek kalmadan bir dizi kontrolün yeterliliğini üstlenmenin uygun bir yoludur, ancak bunun bir layman için gerçek bir bağlamda ne anlama geldiğini açıklamak için nedensel bir hikaye, yani nedensel varsayımlar çağırmanız gerekir. ve bu hikayeyi nedensel grafiklerin yardımıyla resmen anlatabilirsiniz.


8

Bence potansiyel sonuçlar arasındaki farka asılıyorsunuz (Y0,Y1) ve gözlemlenen sonuç Y. İkincisi tedaviden çok etkilenir, ancak eski çiftin umulmadıklarını umuyoruz.

İşte sezgi (şartlanmayı bir kenara koymak) Xbasitlik için) gözlemlenen sonuç hakkında. Her gözlem için, gerçekleşen sonuç şu şekilde ifade edilebilir:

Y=TY1+(1T)Y0.

Bunun anlamı şudur ki Y ve T bağımlıdır çünkü ortalama değeri TY1 ortalamaya eşit olmayacak (1T)Y0 (tedavi etkisi sıfır olmadığı ve tedavi randomize / cahil olduğu sürece).

İşte ikinci bölümün sezgisi. Eğer nedensel etkisini öğrenecek olursakT, tedavi edilen ve tedavi edilmeyen gözlemleri karşılaştırırken, Xhesaba katın. Kontrol grubunun, tedavi almamış olmaları durumunda tedavi grubunun karşı olgusu olduğunu varsayıyoruz. Ancak insanlar kendi tedavilerini potansiyel sonuçlarına (veya potansiyel sonuçlarla ilgili beklentilere) göre seçerse, bu karşılaştırma elma ile orangutanlar arasındadır. Bu, sadece daha sağlıklı hastaların ağrılı ameliyatı tercih ettiği tıbbi bir çalışma gibidir, çünkü onlar için maliyete değer. Tedaviyi tercih etme seçeneği, koşullandırıldıktan sonra rastgele değilse, karşılaştırmamız kontamine olacaktır.X(doktor ve hastalar için gözlemlenmesi gereken mevcut sağlık durumunu ölçen değişkenler). Gözlenemeyen bir değişkenin bir örneği, sizi çok seven bir eşe sahip olabilir, bu yüzden ameliyat geçirmenizi ister, ancak ameliyat sonrası doktorun talimatlarına uyduğunuzdan emin olur, böylece iyileşir.Y1sonuç. Ölçülen etki şimdi ölçmek istediğimiz şey olmayan cerrahi ve sevgi dolu yardımın bir kombinasyonudur. Daha iyi bir örnekX tedaviden etkilenen, tedaviden önce veya sonradan tedavi öncesi.


"Sanırım potansiyel sonuçlar (Y0, Y1) ile gözlemlenen sonuç Y arasındaki farka asıldığını düşünüyorum. İkincisi tedaviden çok fazla etkileniyor, ancak eski çiftin umulmadıklarını umuyoruz. " Bu, "Gözlenen sonuç tedaviye bağlıdır, ancak hiçbir tedavi etkisi olmayan sıfır hipotezi altında, tedavi potansiyel sonuçları etkilememelidir" şeklinde yorumlanabilir mi? Neden potansiyel sonuçların tedavilerden etkilendiğini umuyoruz
RayVelcoro

1
@RayVelcoro Hayır, ben böyle söylemezdim. Birisinin tedaviye atanıp atanmadığını (veya seçip seçmediğini) bilmek, hem tedavi edilmiş hem de tedavi edilmemiş durumlardaki ne olursa olsun sonuçları hakkında hiçbir bilgi içermediğini, X'lerine bağlı olduğunu ve onlardan tanımlanan herhangi bir nedensel etki hakkında hiçbir bilgi içermediğini söyleyebilirim.Y1Y0. Bunun sıfır etkisinin sıfır değeriyle ilgisi yoktur.
Dimitriy V. Masterov

Neden ortalama şu gerçeği sorabilir miyim? TY1 ortalamasına eşit değil (1T)Y0 ima ediyor ki Y ve Tbağımlıdır? teşekkürler
user321627

@ user321627 Tedavi ve kontrol için gözlenen sonuç araçlarındaki farkı hesaplarsanız, bu açık olmalıdır.
Dimitriy V. Masterov
Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.