Confounder - tanım


14

Çok değişkenli analiz kitabında M. Katz'a göre (Bölüm 1.2, sayfa 6), “ Bir karıştırıcı risk faktörü ile ilişkilidir ve sonuçla nedensel olarak ilişkilidir. Karıştırıcı neden nedensel olarak sonuçla ilgili olmalıdır ? Karışıklığın sonuçla ilişkilendirilmesi yeterli olur mu?


5
Merhaba @marco, siteye hoş geldiniz! Miguel Hernan , "Nedensel Çıkarım" kitabının ücretsiz bir PDF'sine sahiptir. Bölüm 1 (bölüm 7, sayfa 83) karıştırmanın yapısını tartışır. Bu ilginç bir okuma olabilir. Özellikle şöyle yazar: "Karıştırmak, tedavi ve sonuç ortak bir nedeni paylaştığında ortaya çıkan önyargıdır."
COOLSerdash

2
Bu yazı karıştırıcılığa da ışık tutuyor.
COOLSerdash

Yanıtlar:


21

Karışıklık neden nedensel olarak sonuçla ilişkili olmalıdır? Karışıklığın sonuçla ilişkilendirilmesi yeterli olur mu?

Hayır, yeterli değil.

Hem sonuç hem de tedavi ile ilişkili bir değişkene sahip olabileceğiniz durumla başlayalım, ancak kontrol etmek, tahmininizi saptırır.

Örneğin, bir ön arıtma çarpıştırıcısı olduğu Pearl'den alınan aşağıdaki nedensel grafiği düşünün :Z

resim açıklamasını buraya girin

Bu durumda, karışıklık yoktur, X'in Y üzerindeki etkisini doğrudan tahmin edebilirsiniz.

Bununla birlikte, Z'nin hem tedavi hem de sonuç ile ilişkili olduğuna dikkat edin. Ama yine de bir karışıklık değil. Aslında, bu durumda Z'yi kontrol ederseniz, tahmininizi yanlıyorsunuz. Bu duruma M-sapması denir (grafik yapısı nedeniyle).

Kontrol etmemeniz gereken bir diğer benzer, daha basit durum, değişkenin hem tedavi hem de sonucunun bir sonucu olduğu durumdur . Bu basit çarpıştırıcı grafiğini alın:YXY

resim açıklamasını buraya girin

Burada yine Z, X ve Y ile ilişkilidir, ancak bu bir kurucu değildir. Bunu kontrol etmemelisin.

Şimdi, bir değişkenin sonuçla nedensel olarak ilişkili olsa bile , bunun mutlaka bir karışıklık olmadığını da fark etmek gerekir.

Aşağıdaki basit grafikte arabulucuları ele alalım:

resim açıklamasını buraya girin

D'nin Y üzerindeki toplam etkisini ölçmek istiyorsanız, etkiye aracılık eden şeyleri kontrol etmemelisiniz - bu durumda M yani, M nedensel olarak Y ile ilişkilidir, ancak bu, D'nin Y üzerindeki toplam etkisi de.


Ancak Bildirim, tanımlama olduğunu confouding bir şey ifade edilmesine göre çok daha kolaydır karıştırıcı faktör olduğunu. Tanımının daha katı bir tartışma için confouder , sen VanderWeele ve Shpitser bu kağıt okumak isteyebilirsiniz.

Neden böyle? Çünkü buradaki temel kavram, karıştırıcı değil, karıştırıcıdır. Araştırma sorusu için kendinize "karıştırmayı nasıl ortadan kaldırabilirim?" "bu değişken bir karışıklık mıdır?"

Ve son bir not olarak, bu yanılgıların hala yaygın olduğunu belirtmek gerekir. Sadece açıklamak gerekirse, bu alıntıyı 2016 tarihli bir makaleden alın :

Rastgele bir deneyin veya güçlü yarı deneysel tasarımın yokluğunda nedensel çıkarım, ortak değişkenleri karıştırmak olarak da bilinen hem tedavi hem de sonucu öngören tüm tedavi öncesi değişkenleri uygun şekilde şartlandırmayı gerektirir.

Önceki örneklerde gösterdiğimiz gibi, bu yanlıştır. Kardeşler "hem tedaviyi hem de sonucu öngören tüm tedavi öncesi değişkenler" değildir. Bunların hepsini kontrol etmek, karıştırmayı ortadan kaldırmak için gerekli olmayabilir veya sonuçlarınıza önyargılı bile olabilir. Pearl, burada karıştırmak konusunda çok iyi bir genel bakışa sahiptir.

Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.