Rubin의 인과 모델에 대한 논란 없음-Layman의 설명

Rubin의 인과 관계 모델을 구현할 때, 우리가 필요로하는 (가장 믿을 수없는) 가정 중 하나는 헷갈 리지 않는 것입니다.

LHS가 반제품 인 경우, T는 처리이고 X는 우리가 제어하는 ​​공변량입니다.

Rubin Causal Model에 대해 잘 모르는 사람에게 이것을 설명하는 방법이 궁금합니다. 이론적으로이 가정이 필요한 이유를 이해하지만 이것이 왜 중요한지 개념적으로 확실하지 않습니다. 특히, T가 치료라면, 잠재적 결과가 그것에 의존해서는 안 되는가? 또한 무작위 통제 시험이있는 경우 자동으로 입니다. 왜 이것이 사실입니까?$(Y(0),Y(1))\perp T$

RCM을 연구하지 않은 사람에게 무한한 / 무지한 가정을 어떻게 설명 하시겠습니까?

RCM을 연구하지 않은 사람에게 무한한 / 무지한 가정을 어떻게 설명 하시겠습니까?

인과 추론에 정통하지 않은 사람에 대한 직감에 관해서는 이것이 그래프를 사용할 수있는 곳이라고 생각합니다. 그들은 시각적으로 "흐름"을 표시한다는 점에서 직관적이며, 현실에서 무지가 실질적으로 무엇을 의미하는지 명확하게 알 수 있습니다.

조건부 무시는 가 백도어 기준을 충족 한다고 주장하는 것과 같습니다 . 따라서 직관적 인 용어로 대해 선택한 공변량 은 와 의 일반적인 원인의 영향을 "차단"하고 다른 가짜 연관성을 열지 않는다고 말할 수 있습니다 .$X$$X$$T$$Y$

문제의 유일하고 혼란스러운 변수가 자체 의 변수 라면 설명하기가 쉽지 않습니다. 당신은 이후 말 모두의 모든 일반적인 원인 contais 와 당신이 제어 할 필요가 전부입니다. 그래서 당신은 그녀에게 세상을 보는 방법이라고 말할 수 있습니다.$X$$X$$T$$Y$

더 흥미로운 경우는 다른 그럴듯한 혼란자가있을 수 있습니다. 좀 더 구체적으로 말하면 문제의 잠재적 혼란자를 말하도록 요청할 수 있습니다. 즉, 와 모두를 유발하는 이름을 말하지만 에는 없습니다 .$T$$Y$$X$

사람의 이름을 변수 라고 가정하십시오 . 그러면 조건부 무시 가능성 가정이 효과적으로 의미하는 것은 가 가 및 / 또는 에 미치는 영향을 "차단" 한다고 생각한다는 것 입니다. $Z$$X$$Z$$T$$Y$

그리고 그것이 사실이라고 생각하는 실질적인 이유를 그녀에게 주어야합니다. 그 나타내지 만이 설명과 함께 올 말할 수있는 많은 그래프가 있습니다 : " 하지 않습니다 바이어스 결과에도 불구하고 있기 때문에 발생 와 ,에 미치는 영향 단지 통과 우리가 제어하고있다". $Z$$Z$$T$$Y$$T$$X$그런 다음이 그래프를 표시하십시오.

그리고 당신은 다른 공동 창업자를 생각하고 가 그래프에서 시각적으로 어떻게 그들을 막고 있는지 보여줄 수 있습니다.$X$

이제 개념적 질문에 답하십시오.

특히, T가 치료라면, 잠재적 결과가 그것에 의존해서는 안 되는가? 또한 무작위 통제 시험이있는 경우 자동으로. 왜 이것이 사실입니까?

아니요 . 를 치료 과제로 생각하십시오 . 그것은 사람들이 치료에 어떻게 반응 하는지를 무시하는 사람들에게 치료를 할당하고 있다는 것입니다 (사실적인 잠재적 결과). 이것에 대한 간단한 위반은 잠재적으로 가장 큰 혜택을 볼 수있는 사람들에게 치료를 제공하려는 경향이 있습니다.$T$

그렇기 때문에 무작위로 지정할 때 자동으로 유지됩니다. 치료를 무작위로 선택하면 치료에 대한 잠재적 반응을 확인하지 않았 음을 의미합니다.

답을 보완하기 위해 인과 과정에 대해 이야기하지 않고, 즉 구조 방정식 / 그래픽 모델을 호출하지 않고 무지를 이해하는 것이 실제로 어렵다는 점에 주목할 가치가 있습니다. 대부분의 경우 연구자들은 "임의의 치료는 무작위로 이루어졌다"라는 개념에 호소하지만 실제 메커니즘과 프로세스를 사용하는 이유 또는 이유를 정당화하지는 않습니다.

실제로 많은 연구자들은 통계적 방법의 사용을 정당화하기 위해 편의상 무시할 수 없다고 생각합니다. Joffe, Yang 및 Feldman 논문 의이 구절은 대부분의 사람들이 알고 있지만 회의 발표 중에 말하지 않는 불편한 진실을 말해줍니다. "무 정상 가정은 일반적으로 사용 가능한 통계적 방법의 사용을 정당화하기 때문입니다.

그러나 대답의 시작 부분에서 말했듯이 그래프를 사용하여 치료 과제를 무시할 수 있는지 여부를 논할 수 있습니다. 무지 자체의 개념은 이해하기 어렵지만, 이는 사실상의 양에 대한 판단을 나타 내기 때문에 그래프에서 기본적으로 인과 과정 (이 변수는 그 변수 등을 유발 함)에 대한 질적 진술을 설명하고 있으며 설명하기 쉽고 시각적으로 매력적입니다.

이전 답변에서 언급했듯이 그래프와 잠재적 결과 사이에는 공식적인 동등성이 있습니다 . 따라서 그래프에서도 잠재적 인 결과를 읽을 수 있습니다. 이 연결을보다 공식적으로 만들면 (Pear 's Causality, p.343 참조) 다음 정의에 의지 할 수 있습니다. 잠재적 결과는 T가 일정하게 유지 될 때 Y에 영향을 미치는 모든 변수 (관측 및 오류 조건)의 총합을 나타냅니다. .

그러면 RCT에서 무지가 왜 유지되는지 쉽게 알 수 있지만, 더 중요하게도 무지가 발생하지 않는 상황을 쉽게 파악할 수 있습니다. 예를 들어, 그래프 에서 T는 무시할 수 있지만 X가 주어지면 T는 조건부 무시할 수 없습니다. X에 대해 조건을 설정하면 X의 오류 항에서 충돌하는 경로를 T로 열기 때문에$T \rightarrow X \rightarrow Y$

요약하면, 많은 연구자들은 편의상 기본적으로 무시 가능성을 가정합니다. 그 이유를 공식적으로 정당화 할 필요없이 일련의 통제가 충분하다고 가정하는 편리한 방법이지만 평신도의 실제 상황에서 그것이 의미하는 바를 설명하기 위해서는 인과 관계가있는 이야기, 즉 인과 적 가정을 불러야합니다 인과 관계 그래프를 통해 그 이야기를 공식적으로 말할 수 있습니다.

잠재적 인 결과 와 관찰 된 결과 의 차이에 매달리고 있다고 생각합니다 . 후자는 치료에 의해 많은 영향을 받지만, 우리는 이전 쌍이 그렇지 않기를 바랍니다.$(Y^0,Y^1)$$Y$

여기 직관이 있습니다 (컨디셔닝을 제쳐두고 $X$관찰 된 결과에 대해 간단 함). 각 관측치에 대해 실현 된 결과는 다음과 같이 표현 될 수 있습니다.

이것은 $Y$ 과 $T$ 평균값이 $T \cdot Y^1$ 평균과 같지 않을 것이다 $(1-T)\cdot Y^0$ (치료 효과가 0이 아니고 치료가 무작위 / 무시 가능한 한).

다음은 두 번째 부분에 대한 직관입니다. 우리가 인과 관계에 대해 배우려고한다면$T$, 우리는 처리 된 관찰과 처리되지 않은 관찰을 비교하면서 $X$계정에. 우리는 대조군이 치료를받지 않은 치료군에 대한 반제품이라고 가정하고있다. 그러나 사람들이 잠재적 결과 (또는 잠재적 결과에 대한 기대)를 바탕으로 자신의 치료를 선택한다면,이 비교는 오랑우탄과 사과입니다. 이것은 건강한 환자 만이 고통스러운 수술을 선택하는 의료 시험과 같습니다. 비용이 들기 때문입니다. 치료를 선택하는 선택이 컨디셔닝 후 무작위가 아닌 경우 우리의 비교는 오염 될 것입니다$X$(의사 및 환자가 관찰 할 수있는 현재 건강 상태를 측정하는 변수). 관찰 할 수없는 변수의 한 예는 당신을 매우 사랑하는 배우자가있을 수 있으므로 수술을 받도록 권유하지만 수술 후 의사의 지시에 따르도록하여$Y^1$결과. 측정 된 효과는 이제 수술과 사랑스러운 도움의 결합으로 측정하고자하는 것이 아닙니다. 더 좋은 예는$X$ 이는 치료에 대한 영향을받는 치료 전후에 치료에 영향을 받는다.