Безпідставність у причинній моделі Рубіна - пояснення Леймана

Втілюючи причинну модель Рубіна, одне з (незаперечних) припущень, яке нам потрібно, - це необгрунтованість, що означає

Там, де LHS є контрфактиками, T - це лікування, а X - коваріати, якими ми керуємо.

Мені цікаво, як описати це людині, яка мало що знає про причинну модель Рубіна. Я розумію, навіщо теоретично нам потрібне це припущення, але я не впевнений в концептуальному, чому це важливо. Зокрема, якщо T - це лікування, чи не може потенційний результат дуже залежати від нього? Крім того, якщо ми маємо рандомізоване контрольоване випробування, то автоматично,$(Y(0),Y(1))\perp T$. Чому це справедливо?

Як би ви описали припущення про необмеженість / неосвіченість того, хто не вивчав РКМ?

Як би ви описали припущення про необмеженість / неосвіченість того, хто не вивчав РКМ?

Що стосується інтуїції до когось, хто не розбирається в причинному умовиводі, я думаю, саме тут ви могли б використовувати графіки. Вони інтуїтивні в тому сенсі, що візуально демонструють "потік", і вони також дадуть зрозуміти, що в основному означає незнання в реальному світі.

Умовна незнання еквівалентна претензії $X$задовольняє критерій заднього проходу. Отже, в інтуїтивному розумінні ви можете сказати людині, що ви вибрали коваріати$X$ "блокує" дію загальних причин розвитку $T$ і $Y$ (і не відкривайте жодних інших помилкових асоціацій).

Якщо єдиними можливими змішуючими змінними вашої проблеми є змінні на $X$себе, то це банально пояснити. Ви просто так говорите$X$ контагізують всі поширені причини обох $T$ і $Y$, це все, для чого потрібно контролювати. Тож ви можете сказати їй, як ви бачите світ:

Більш цікавий випадок, коли там можуть бути інші правдоподібні плутанини. Щоб бути більш конкретним, ви можете навіть попросити людину назвати потенційного прихильника вашої проблеми - тобто попросити її назвати щось, що викликає обоє$T$ і $Y$, але це не в $X$.

Скажіть, імена людини змінна $Z$. Тоді ви можете сказати цій людині, що фактично означає ваше умовне припущення про невміння - це ви думаєте$X$ буде "блокувати" ефект від $Z$ на $T$ та / або $Y$.

І ви повинні дати їй істотну причину, чому ви вважаєте, що це правда. Існує багато графіків, які могли б це представляти, але скажіть, що ви придумали таке пояснення: "$Z$ не змістить результати, тому що, хоча $Z$ причини $T$ і $Y$, його вплив на $T$ проходить лише наскрізь $X$, який ми керуємо ". А потім покажіть цей графік:

А ви могли б придумати інших співвласників і показати їй, як $X$ блокує їх візуально на графіках.

Тепер відповідаємо на концептуальні запитання:

Зокрема, якщо T - це лікування, чи не може потенційний результат дуже залежати від нього? Крім того, якщо у нас є рандомізоване контрольоване випробування, то автоматично,. Чому це справедливо?

Ні. Подумайте $T$як призначення лікування. Це говорить про те, що ви призначаєте лікування людям, "ігноруючи", як вони реагують на лікування (контрфактичні потенційні результати). Простим порушенням цього є те, що ви прагнете надати лікування тим, хто від цього потенційно отримає максимальну користь.

Ось чому це автоматично відбувається, коли ви рандомізуєте. Якщо ви підбираєте оброблених випадково, це означає, що ви не перевіряли їх потенційні відповіді на лікування, щоб вибрати їх.

Щоб доповнити відповідь, варто зауважити, що розуміння незнання без розмови про причинно-наслідковий процес, тобто без виклику структурних рівнянь / графічних моделей справді важко. Більшу частину часу ви бачите, як дослідники апелюють до ідеї "лікування було як би випадковим", але не виправдовуючи, чому це чи чому це правдоподібно, використовуючи реальні світові механізми та процеси.

Насправді багато дослідників просто припускають незнання для зручності, щоб виправдати використання статистичних методів. Цей уривок із статті Joffe, Yang та Feldman говорить незручну правду, яку знають більшість людей, але не говорять під час презентацій конференції: "Припущення щодо невігласності зазвичай робляться тому, що вони виправдовують використання наявних статистичних методів, а не тому, що в них справді вірять".

Але, як я вже говорив на початку відповіді, ви можете використовувати графіки, щоб сперечатися щодо того, чи не призначено лікування лікування, чи ні. Хоча саме поняття незнаймості важко зрозуміти, оскільки воно висловлює судження про контрафактичні величини, у графіках ви в основному робите якісні твердження про причинно-наслідкові процеси (ця змінна викликає цю змінну тощо), які легко пояснити та візуально привабливі.

Як було сказано в попередній відповіді, існує формальна відповідність між графіками та потенційними результатами . Отже, ви також можете прочитати потенційні результати з графіків. Зробивши цей зв'язок більш формальним (детальніше див. Причинність Перла, стор. 433), можна вдатися до наступного визначення: потенційні результати становлять загальну кількість всіх змінних (спостережуваних та помилок), які впливають на Y, коли T утримується постійним .

Тоді неважко зрозуміти, чому невідповідність дотримується в RCT, але що ще важливіше, воно також дозволяє легко помітити ситуації, коли невідповідність не була б утримується. Наприклад, у графіку$T \rightarrow X \rightarrow Y$, T невідомий, але T умовно не ігнорується даним X, оскільки, як тільки ви ставите умову на X, ви відкриваєте зіштовхуючий шлях від помилки терміна X до T.

Підводячи підсумок, багато дослідників роблять припущення про незнання за замовчуванням для зручності. Це зручний спосіб припустити достатність набору елементів управління, не потребуючи офіційного обґрунтування того, чому це так, але для пояснення того, що це означає в реальному контексті для мирянина, вам потрібно буде посилатися на причинно-наслідкову історію, тобто причинно-наслідкові припущення , і ви можете офіційно розповісти цю історію за допомогою причинних графіків.

Я думаю, що ви зациклюєтесь на різниці між потенційними результатами $(Y^0,Y^1)$ та спостережуваний результат $Y$. На останнє дуже сильно впливає лікування, але ми сподіваємось, що колишня пара не є.

Ось інтуїція (відклавши кондиціонування $X$для простоти) про спостережуваний результат. Для кожного спостереження реалізований результат можна виразити як

Це означає що $Y$ і $T$ залежні, оскільки середнє значення $T \cdot Y^1$ не дорівнюватиме середньому $(1-T)\cdot Y^0$ (доки ефект лікування не є нульовим, а лікування рандомізоване / ігнорується).

Ось інтуїція для другої частини. Якщо ми збираємося дізнатись про причинний ефект$T$, ми будемо порівнювати оброблені та необроблені спостереження, одночасно приймаючи відмінності в $X$в обліковому записі. Ми припускаємо, що контрольна група є протидією для групи лікування, якщо вони не отримували лікування. Але якщо люди обирають своє власне лікування виходячи зі своїх потенційних результатів (або очікувань щодо потенційних результатів), це порівняння є яблуками з орангутанами. Це як медичне випробування, коли тільки більш здорові пацієнти вибирають болючу операцію, оскільки на них варто витратити кошти. Наше порівняння буде забруднене, якщо вибір для лікування не буде випадковим після кондиціонування$X$(змінні, які вимірюють поточний стан здоров'я, який слід спостерігати лікаря та пацієнтів). Одним із прикладів непомітної змінної може бути дружина, яка дуже любить вас, тому вона закликає вас зробити операцію, але також обов’язково дотримується інструкцій лікаря після операції, тим самим покращуючи$Y^1$результат. Виміряний ефект тепер є деякою комбінацією хірургічної та люблячої допомоги, яка не є тим, що ми хочемо вимірювати. Кращий приклад - ан$X$ на які впливає лікування, як пост, так і ex ante в очікуванні лікування.