Çoklu regresyon eş değişkenleri gerçekten ne kadar iyi kontrol edebilir?

Hepimiz alışılmadık bir X belirleyicisi ile bir sonuç arasında nedensel bir bağlantı kurmaya çalışan gözlemsel çalışmalara aşinayız, bir çoklu regresyon modelinde akla gelebilecek her potansiyel karıştıcıyı dahil ederek. Böylece tüm kafa karıştırıcıları “kontrol” edersek, argüman gider, çıkar tahmincisinin etkisini izole ederiz.

İstatistik derslerimin çeşitli profesörleri tarafından yapılan açık sözlere dayanarak, bu fikirle ilgili artan bir rahatsızlık geliştiriyorum. Birkaç ana kategoriye ayrılırlar:

1. Sadece düşündüğünüz ve ölçtüğünüz değişkenleri kontrol edebilirsiniz.
Bu açık, ama aslında hepsinin en zararlı ve aşılamaz olup olmadığını merak ediyorum.

2. Yaklaşım geçmişte çirkin hatalara neden oldu.

Örneğin, Petitti ve Freedman (2005), on yıllara dayanan istatistiksel olarak düzeltilmiş gözlemsel çalışmaların, hormon replasman tedavisinin kalp hastalığı riski üzerindeki etkisi konusunda feci derecede yanlış sonuçlara vardığını tartışmaktadır. Daha sonra RKÇ'ler neredeyse ters etkiler buldular.

3. Tahmini sonuç ilişkisi, eş değişkenleri kontrol ettiğinizde garip davranabilir.

Yu-Kang Tu, Gunnell ve Gilthorpe (2008) , Lord'un Paradoksu, Simpson'un Paradoksu ve baskılayıcı değişkenleri de dahil olmak üzere bazı tezahürleri tartışır.

4. Tek bir modelin (çoklu regresyon) değişkenler için uygun şekilde ayarlanması ve eş zamanlı olarak öngörücü-sonuç ilişkisini modellemesi zordur.

Bunu, eğilim puanları ve kafa karıştırıcıları katmanlaşma gibi yöntemlerin üstünlüğünün bir nedeni olarak verdiğimi duydum, ama gerçekten anladığımdan emin değilim.

5. ANCOVA modeli, ortak değişkenlerin ve ilgilenenlerin bağımsız olmasını gerektirir.

Elbette, belirsizliklere tam anlamıyla uyarlıyoruz, çünkü ilgi belirleyicisi ile ilişkilendirildiklerinden, modelin en çok istediğimiz anda kesin olarak başarısız olacağı anlaşılıyor. Argüman, düzenlemenin sadece randomize çalışmalarda gürültü azaltma için uygun olduğunu söyler. Miller & Chapman, 2001 , harika bir inceleme verir.

Yani benim sorularım:

1. Bu sorunlar ve bilmediğim diğerleri ne kadar ciddi?
2. Her şeyi kontrol eden bir çalışma gördüğümde ne kadar korkmalıyım?

(Umarım bu soru tartışma alanına fazla girmez ve onu geliştirmek için herhangi bir öneriyi memnuniyetle davet eder.)

EDIT : Yeni bir referans bulduktan sonra 5. maddeyi ekledim.

Muhtemelen kabul görmüş, istatistiksel olmayan, belki de bir cevap verme var - buna eş değişkenler için gerçekten kontrol altında olduğunu iddia etmek için hangi varsayımlara ihtiyaç vardır?

Bu Judea Pearl'ün nedensel grafikleriyle yapılabilir ve matematiksel olarak yapılabilir .

Web sitesinde http://ftp.cs.ucla.edu/pub/stat_ser/r402.pdf ve diğer materyallere bakınız .

Şimdi istatistikçiler olarak tüm modellerin yanlış olduğunu biliyoruz ve asıl istatistiksel soru, cevabımızın yaklaşık olarak tamam olması için çok yanlış olmadığı varsayılan varsayımlardır. Pearl bunun farkında ve çalışmalarında tartışıyor, ancak birçok istatistikçinin bir cevap verme iddiasıyla (hangi varsayımların yapılması gerektiğine inandığına inanıyorum ? ) Yanıtını titretmekten kaçınmak için açıkça ve sıklıkla yeterli değil .

(Şu anda ASA istatistiksel kurslarda bu yöntemleri dahil etmek malzeme öğretimi için bir ödül sunuyor burada bkz )

1. soruya cevap:

• Ciddiyetin büyüklüğü en iyi bağlamsal olarak değerlendirilir (yani geçerliliğe katkıda bulunan tüm faktörleri göz önünde bulundurmalıdır).
• Ciddiyetin büyüklüğü kategorik bir şekilde değerlendirilmemelidir. Bir örnek, çalışma tasarımları için bir çıkarım hiyerarşisi kavramıdır (örneğin vaka raporları en düşük ve RKÇ'ler kategorik olarak en yüksektir). Bu tür bir program, tıp fakültelerinde yüksek kalitede kanıtları hızlı bir şekilde tanımlamak için kolay bir sezgisel olarak öğretilir. Bu tür bir düşünce ile ilgili sorun, algoritmik ve gerçekte aşırı deterministik olmasıdır, cevabın kendisi kesin olarak belirlenir. Bu olduğunda, kötü tasarlanmış RCT'lerin iyi tasarlanmış bir gözlem çalışmasından daha kötü sonuçlar verebileceği yolları kaçırabilirsiniz.
• Bir epidemiyolog açısından yukarıdaki hususların tam bir tartışması için okunması kolay bu makaleye bakın (Rothman, 2014) .

2. soruya cevap:

• Çok korkma Başkalarının söylediklerini basitçe yinelemek ve Richard McElreath'ın istatistiksel modellemede eleştirel düşünme konusundaki zarif tanıtım metninden (kabaca) alıntı yapmak :

  “... tüm modeller yanlış, ancak bazıları faydalı ...”