중재 분석은 본질적으로 인과 관계가 있습니까?

IV, DV 및 중재자 하나를 사용하여 간단한 중재 모델을 테스트하는 데 관심이 있습니다. Preacher 및 Hayes SPSS 매크로에서 테스트 한대로 간접 효과는 중요합니다. 이는 중재자가 통계적으로 관계를 중재하는 역할을한다는 것을 나타냅니다.

중재에 대해 읽을 때 "중재 모델이 원인 모델입니다."와 같은 내용을 읽었습니다. - 데이비드 케니 . 중재 모델을 인과 관계 모델로 사용하고 있다는 사실을 확실히 이해할 수 있으며 실제로 모델이 이론적으로 유용한 경우에는 이것이 매우 유용한 것으로 볼 수 있습니다.

그러나 내 모델에서는 매개 변수 (불안 장애에 대한 투석으로 간주되는 특성)가 독립 변수 (불안 장애의 증상)에 의해 유발되지 않습니다. 오히려 매개 변수와 독립 변수가 관련되어 있으며 독립 변수와 종속 변수 간의 연관은 IV 매개 변수 -DV 간의 분산으로 크게 설명 할 수 있다고 생각합니다. 본질적으로 나는 IV-DV 관계에 대한 이전의 보고서가 IV에 의해 야기되지 않은 관련 중재자에 의해 설명 될 수 있음을 증명하려고 노력하고있다.

중재는 IV-DV 관계가 IV-DV 관계에 의해 통계적으로 설명 될 수있는 방법을 설명하기 때문에이 경우에 유용합니다. 내 문제는 인과 관계의 문제입니다. IV가 실제로 중재자를 유발하지 않기 때문에 중재가 적절하지 않다고 재검토 할 수 있습니까?

이게 말이 돼? 이 문제에 대한 의견은 대단히 감사하겠습니다!

편집 : 내 말은 X는 Y를 일으키는 것이 아니라 Z가 Y를 (부분적으로) 야기하고 X와 Z가 높은 상관 관계가 있기 때문에 Y와 상관 관계가 있다는 것입니다. 약간 혼란 스럽지만 그게 다입니다. 이 사례에서의 인과 관계는 실제로 문제가되지 않으며이 원고는 인과 관계에 관한 것이 아니다. X와 Y 사이의 분산은 Z와 Y 사이의 분산으로 설명 할 수 있음을 간단히 설명하려고합니다. 따라서 기본적으로 X는 Y를 통해 Z를 통해 간접적으로 상관됩니다 (이 경우 "중개자").

A. "중재"는 개념적 으로 인과 관계를 의미합니다 (Kenny 인용문이 나타내는 것처럼). 중재자 변수를 처리 경로 모델에 따라서 일부 치료가 결과 변수에 영향을 미치는 것을 전달하는 의미 를 통해 중재자에 미치는 영향을 분산 턴에있는 원인 결과는 다를 수 있습니다. 그러나 "중재자"로 무언가를 모델링한다고해서 그것이 실제로 는 아닙니다중재자-이것이 원인입니다. Macro에 대한 귀하의 게시물 및 의견은 변수가 매개 변수로 모델링되었지만 "인과 적"으로 간주되지 않는 경로 분석을 염두에두고 있음을 나타냅니다. 그래도 왜 그런지 모르겠습니다. "독립 변수"와 "중개자"를 유발하는 3 번째 변수가 있다는 관계가 의심 스럽다고 생각하십니까? 그리고 분석에서 "독립 변수"와 "중개자"가 실제로 결과 변수에 대한 세 번째 변수의 영향의 매개자일까요? 그렇다면 검토 자 (또는 사려 깊은 사람)는 세 번째 변수가 무엇인지, 실제로 중재자와의 관계에 대한 의사 소통 관계를 담당한다는 증거를 알고 싶어 할 것입니다.

B. Macro의 포스트를 확장하기 위해 이것은 악명 높은 덤불이며 교리와 학파로 자란다. 그러나 여기 몇 가지 주요 내용이 있습니다.

1. 어떤 사람들은 중재인을 실험적으로 조작 할뿐 아니라 인과 적 효과를 내기 위해 가정 된 영향 만 실험하면 "증명"할 수 있다고 생각합니다. 따라서 인과 적 영향 만 조작 한 실험을 수행하고 결과 변수에 미치는 영향이 중재자의 변경에 의해 반영되는 것을 관찰 한 경우 "아니요! 충분하지 않습니다!" 그러나 기본적으로 그들은 관찰 방법이 인과 적 추론을지지한다고 생각하지 않으며 실험에서 조작되지 않은 중재자는 그저 특별한 경우라고 생각합니다.

2. 그럼에도 불구하고 관찰 연구에서 인과 적 추론을 배제하지 않는 다른 사람들은, 실제로 당신이 정말로 정말로 복잡한 통계적 방법을 사용한다면 (이들과 양의 매개 관계에 대한 공분산 매트릭스를 비교하는 구조 방정식 모델을 포함하지만 이에 국한되지 않음) 믿습니다 다양한 대안을 위해) 방금 언급 한 비평가를 효과적으로 침묵시킬 수 있습니다. 기본적으로 이것은 Baron & Kenny이지만 스테로이드입니다. 경험적으로 말하면, 그들은 그들을 침묵시키지 않았다. 논리적으로, 나는 그들이 어떻게 할 수 있는지 알지 못한다.

3. 여전히 유대 진주 (Judea Pearl)의 다른 연구자들은 실험 또는 관측 연구에서 인과 추론의 건전성이 통계적으로 입증 될 수 없다고 말한다. 추론의 강점은 디자인의 타당성을 암시합니다. 통계는 단지 인과 추론이 고려하거나 의존하는 효과를 확인 합니다.

일부 독해 (모두 독단적이거나 학설 적이 지 않은 것이 좋다 ) :

• Green, DP, Ha, SE & Bullock, JG“블랙 박스”실험에 대해서는 이미 충분합니다. 중재 연구는 대부분의 학자들이 생각하는 것보다 훨씬 어렵습니다. 미국 정치 사회 과학 아카데미의 항문 628, 200-208 (2010).

• 매개 변수와 무작위 연구에서 인과 매개 변수의 Sobel, ME 식별. 교육 및 행동 통계 저널 33, 230-251 (2008) .

• Pearl, J. 인과 추론 소개. 국제 통계 학회지 6, 제 7 조 (2010) .

마지막으로, 중재가 중심이었던 인과 추론에 대한 Gelman과 Pearl의 멋진 교류의 일부는 결코 아닙니다 : http://andrewgelman.com/2007/07/identification/

인과 관계

• 중개 모델은 인과 관계에 대한 이론적 주장을합니다.
  • 이 모델은 그 제안 IV발생 DV하고있다가 전체적으로 또는 부분적으로 인과의 연쇄에 의해 설명이 효과가 있음을 IV원인 MEDIATOR교대로 발생한다 DV.
• 중재 모델에 대한 지원은 제안 된 인과 경로를 증명하지 않습니다.
  • 중재의 통계 테스트는 일반적으로 관찰 연구를 기반으로합니다. 대안 적 인과 적 해석의 범위가 크다 (예를 들어, 제 3 변수, 대안 적 방향, 상호성 등)
  • 나는 일반적으로 중재 모델에 암시 된 인과 관계 주장을 제안하는 연구자들이 제시 한 주장 (있는 경우)에 의해 설득되지 않는다.
• 중재 모델에 대한 지원은 인과 적 주장에 대한 주장을 제기 할 때 다른 근거를 보충 할 수있는 증거를 제공 할 수 있습니다. 요약하면 상관 관계는 인과 관계를 증명하지 않지만 보충적인 증거를 제공 할 수 있습니다.
• 관측 연구에서의 중재 시험의 한계에도 불구하고, (a) 중재 모델은 연구자들이 인과 경로에 대해 생각하게하는 데 도움이되고, (b) 중재 모델을 작성하는 더 나은 방법과 더 나은 방법이 있으며, 더 나은 방법으로 해석의 미묘한 차이를 인정합니다. 제안 된 인과 경로와 대체 인과 경로에 대한 증거에 대한 이론적 토의를 제공합니다 ( 이 페이지에서 준비한 팁 참조 ).
• @ dmk38은 훌륭한 참고 자료와 추가 토론을 제공했습니다.

변수가 다른 변수의 예측을 설명한다는 것을 보여주는

• 귀하의 설명에 근거하여, 중재는 귀하의 연구 질문과 일치하지 않는 것으로 보입니다 . 따라서 나는 당신의 분석에 중재 언어를 사용하지 않을 것입니다.
• 내가 이해하는 바와 같이, 귀하의 연구 질문은에 대한 하나의 변수 ( X1대신에 호출 할 것 IV) 의 예측이 DV두 번째 변수 ( X2대신에 호출 )에 의해 설명 되는지 여부와 관련이 있습니다 MEDIATOR. 당신은 또한 같은 인과 주장하게 될 수 있습니다 X2원인을 DV하지만 X1에서만 상관 관계X2 있고 원인이 아닙니다 DV.
• 이 연구 문제를 테스트하기에 적합한 몇 가지 통계 테스트가 있습니다.
  • 제로 순서 비교 ( X1와 DV) 준 부분 상관 관계와을 ( X1밖으로 partialling X2로DV ). 흥미로운 요소는 축소 정도이며 통계적 중요성은 그리 크지 않다고 생각합니다 (물론 축소에 대한 신뢰 구간을 원할지라도).
  • 또는 유사하게 X2블록 1과 X1블록 2에 추가하는 계층 적 회귀의 증분 R- 제곱을 모델의 R- 제곱과 비교하십시오.X1 예측DV .
  • 당신은 또한 당신의 인과 예를 들어 가정 (사이 두 배 향하고 화살표와 일치하는 경로도 그릴 수 상상 X1과 X2사이의 단일 양방향 화살표 X2와 DV.

나는 당신이 이야기하고있는 변수가 IV가 변수를 유발하지 않으면 '제어'변수로 간주되어야한다고 생각합니다. 종이에 사용해보고 몇 번 생각 나게하거나 가정 된 효과를 그려보십시오.

어쩌면 더 나은 언어, 또는 훨씬 덜 혼란스러운 것은 아마도 상관 관계입니다. 이것의 전형적인 예는 아이스크림 소비가 익사와 관련이 있다는 것입니다. 따라서 누군가 아이스크림 소비로 익사가 발생한다고 생각할 수도 있습니다. 스퓨리어스 상관은 세 번째 "중간"변수가 ​​처음 두 변수에 대해 실제로 원인 일 때 발생합니다. 이 예에서는 아이스크림 판매 및 익사를 살펴보고 온도에 따른 계절적 영향을 잊어 버렸으며, 더울 때 더 많은 아이스크림을 먹고 더 많은 사람들이 익사합니다. 수영하고 아이스크림을 먹음으로써 더위로부터. 약간 유머 예 .

그렇다면이 질문은 가짜 상관 관계를 어떻게 사용할 것인가에 달려 있습니다. 그리고 사람들이 이론을 테스트하지 않기 때문에 사용됩니다. 예를 들어, 신장 기능은 종종 체중과 신장의 공식에 의해 추정되는 추정 신체 표면에 대해 "정규화"됩니다.

이제 체 표면적은 소변을 형성하지 않으며 체중과 신장 공식에서 체중은 Kleiber의 법칙을 통해 인과되며 실제로 키는 공식을 덜 예측하게 만듭니다 .

나는 유전체학의 맥락에서 인과 추론에 관한 내 연구 에서이 게시물을 보았습니다. 이 영역에서 인과 관계를 분별하려는 시도는 종종 어떻게 사람의 유전자 코드가 무작위로 생각 될 수 있는가 (성세포가 형성되고 궁극적으로 짝을 이루는 방식으로 인해)에 기인합니다. 이것을 "중재자"및 궁극적 인 반응 둘 다와 관련된 공지 된 돌연변이와 커플 링 시키면, 인과성의 특정 정의 하에서 그 반응에 대한 중개자의 인과 적 영향을 추론 할 수있다 (여기서는 긴 논쟁을 일으킬 수있다).

중개 모델을 사용하고 인과 관계를 주장하지 않는 경우, 검토자가 논쟁 할 이유를 생각할 수 없었습니다. 관찰 한 중개 효과가 세 번째 변수에 의해 혼동되는지 여부를 배제해야 할 수도 있습니다.

인과 관계에 명시 적으로 관심이 있다면 Mendelian Randomization 또는 " Causal Inference Test " 와 같은 역학의 방법을 살펴볼 수 있습니다 . 또는 기기 변수 분석으로 시작하십시오 .