unoundoundedness ในรูปแบบสาเหตุของรูบิน - คำอธิบายของคนธรรมดา

เมื่อใช้โมเดลเชิงสาเหตุของรูบินหนึ่งในข้อสมมติฐานที่ไม่สามารถพิสูจน์ได้ที่เราต้องการคือ unoundounded ซึ่งหมายความว่า

ในกรณีที่ LHS เป็นสิ่งกีดขวาง T คือการรักษาและ X คือโควาเรียตที่เราควบคุม

ฉันสงสัยว่าจะอธิบายเรื่องนี้อย่างไรกับคนที่ไม่ค่อยรู้อะไรเกี่ยวกับแบบจำลองสาเหตุรูบิน ฉันเข้าใจว่าทำไมเราถึงต้องการสมมติฐานนี้ในทางทฤษฎี แต่ฉันไม่แน่ใจเกี่ยวกับแนวคิดว่าทำไมสิ่งนี้ถึงสำคัญ โดยเฉพาะอย่างยิ่งถ้า T คือการรักษาผลที่อาจเกิดขึ้นจะขึ้นอยู่กับมันหรือไม่? เช่นกันถ้าเรามีสุ่มทดลองแล้วโดยอัตโนมัติT ทำไมสิ่งนี้ถึงเป็นจริง?$(Y(0),Y(1))\perp T$

คุณจะอธิบายข้อสมมติฐานที่ไร้เหตุผล / ความเพิกเฉยต่อคนที่ไม่ได้ศึกษา RCM อย่างไร

คุณจะอธิบายข้อสมมติฐานที่ไร้เหตุผล / ความเพิกเฉยต่อคนที่ไม่ได้ศึกษา RCM อย่างไร

เกี่ยวกับสัญชาตญาณของใครบางคนที่ไม่มีประสบการณ์ในการอนุมานสาเหตุฉันคิดว่านี่เป็นที่ที่คุณสามารถใช้กราฟ พวกเขามีสัญชาตญาณในแง่ที่ว่าพวกเขาแสดง "การไหล" อย่างเห็นได้ชัดและพวกเขาจะทำให้ชัดเจนว่าการเพิกเฉยอย่างมีนัยสำคัญหมายถึงอะไรในโลกแห่งความจริง

เงื่อนไขการเพิกเฉยเทียบเท่ากับการอ้างสิทธิ์ $X$เป็นไปตามเกณฑ์ลับๆ ดังนั้นในแง่ที่เข้าใจง่ายคุณสามารถพูดกับคนที่พวกโควาเรียตที่คุณเลือก$X$ "บล็อก" ผลของสาเหตุทั่วไปของ $T$ และ $Y$ (และไม่เปิดการเชื่อมโยงปลอมอื่น ๆ )

หากตัวแปรที่รบกวนเท่านั้นที่เป็นไปได้ของปัญหาของคุณคือตัวแปรที่อยู่บน $X$ตัวเองแล้วนี่เป็นเรื่องเล็กน้อยที่จะอธิบาย คุณเพียงแค่พูดอย่างนั้นตั้งแต่$X$ contais ทั้งหมดสาเหตุทั่วไปของทั้งสอง $T$ และ $Y$นั่นคือทั้งหมดที่คุณต้องควบคุม ดังนั้นคุณสามารถพูดกับเธอว่าคุณเห็นโลก:

กรณีที่น่าสนใจคือเมื่อมีคนน่าเชื่อถือคนอื่น ๆ หากต้องการเจาะจงมากขึ้นคุณอาจขอให้บุคคลนั้นตั้งชื่อคนที่อาจเป็นปัญหาของคุณได้นั่นคือขอให้เธอตั้งชื่อสิ่งที่ทำให้ทั้งคู่$T$ และ $Y$แต่มันไม่ได้อยู่ในนั้น $X$.

สมมติว่าบุคคลตั้งชื่อตัวแปร $Z$. จากนั้นคุณสามารถพูดกับบุคคลนั้นว่าสิ่งที่คุณคิดว่าการเพิกเฉยต่อเงื่อนไขอย่างมีประสิทธิภาพหมายถึงสิ่งที่คุณคิด$X$ จะ "ปิดกั้น" ผลกระทบของ $Z$ บน $T$ และ / หรือ $Y$.

และคุณควรให้เหตุผลที่สำคัญแก่เธอว่าทำไมคุณคิดว่าจริง มีกราฟจำนวนมากที่สามารถเป็นตัวแทนได้ แต่บอกว่าคุณจะได้คำอธิบายนี้: "$Z$ จะไม่อคติผลลัพธ์เพราะแม้ว่า $Z$ สาเหตุ $T$ และ $Y$ผลกระทบต่อ $T$ ผ่านเท่านั้น $X$ซึ่งเราควบคุมสำหรับ "จากนั้นแสดงกราฟนี้:

และคุณสามารถคิดถึงผู้ร่วมก่อตั้งคนอื่นและแสดงให้เธอเห็นได้อย่างไร $X$ กำลังปิดกั้นพวกเขาในกราฟ

ตอนนี้ตอบคำถามเชิงแนวคิด:

โดยเฉพาะอย่างยิ่งถ้า T คือการรักษาผลที่อาจเกิดขึ้นจะขึ้นอยู่กับมันหรือไม่? เช่นกันถ้าเรามีการทดลองแบบสุ่มควบคุมโดยอัตโนมัติแล้ว ทำไมสิ่งนี้ถึงเป็นจริง?

ไม่คิด $T$ตามที่ได้รับมอบหมายการรักษา สิ่งที่กล่าวคือคุณกำลังกำหนดให้การรักษากับคน "ไม่สนใจ" ว่าพวกเขาตอบสนองต่อการรักษาอย่างไร การละเมิดข้อนี้จะทำให้คุณได้รับผลประโยชน์จากการรักษามากที่สุด

นั่นเป็นสาเหตุที่สิ่งนี้ถือโดยอัตโนมัติเมื่อคุณสุ่มเลือก หากคุณเลือกการรักษาแบบสุ่มหมายความว่าคุณไม่ได้ตรวจสอบการตอบสนองที่เป็นไปได้ของการรักษาเพื่อเลือกพวกเขา

เพื่อเติมเต็มคำตอบมันก็คุ้มค่าที่จะสังเกตเห็นว่าการเข้าใจความไม่เข้าใจโดยไม่ต้องพูดถึงกระบวนการเชิงสาเหตุนั่นคือโดยไม่ต้องใช้สมการโครงสร้าง / ตัวแบบกราฟิกนั้นยากมาก เวลาส่วนใหญ่ที่คุณเห็นนักวิจัยที่สนใจความคิดของ "การรักษาเป็นแบบสุ่มถ้า" แต่โดยไม่ต้องพิสูจน์เหตุผลว่าทำไมหรือนั่นคือเหตุผลที่เป็นไปได้โดยใช้กลไกและกระบวนการในโลกแห่งความจริง

ในความเป็นจริงนักวิจัยหลายคนสันนิษฐานว่าไม่รู้ง่ายเพื่อความสะดวกเพื่อพิสูจน์การใช้วิธีการทางสถิติ บทความนี้จากJoffe, Yang และ Feldman paperพูดถึงความจริงที่ไม่สะดวกที่คนส่วนใหญ่รู้ แต่ไม่ได้พูดในระหว่างการนำเสนอการประชุม: "มักจะมีข้อสันนิษฐานที่ไม่สนใจเพราะพวกเขาใช้เหตุผลทางสถิติที่มีอยู่

แต่อย่างที่ฉันได้กล่าวไว้ในตอนต้นของคำตอบคุณสามารถใช้กราฟเพื่อโต้แย้งว่าการมอบหมายการรักษานั้นเป็นสิ่งที่ละเลยหรือไม่ ในขณะที่แนวคิดเรื่องความโง่เขลาของตัวเองนั้นยากที่จะเข้าใจเพราะมันแสดงการตัดสินเกี่ยวกับปริมาณของการปลอมแปลงในกราฟโดยทั่วไปแล้วคุณกำลังสร้างข้อความเชิงคุณภาพเกี่ยวกับกระบวนการเชิงสาเหตุ (ตัวแปรนี้ทำให้ตัวแปรนั้นเป็นต้น) ซึ่งง่ายต่อการอธิบายและดึงดูดสายตา

ดังที่กล่าวไว้ในคำตอบก่อนหน้านี้มีความเท่าเทียมกันอย่างเป็นทางการระหว่างกราฟและผลลัพธ์ที่เป็นไปได้ ดังนั้นคุณสามารถอ่านผลลัพธ์ที่เป็นไปได้จากกราฟได้เช่นกัน ทำให้การเชื่อมต่อนี้เป็นทางการมากขึ้น (ดูเพิ่มเติมที่ Causality ของไข่มุก, หน้า 4343) คุณสามารถใช้คำจำกัดความต่อไปนี้: ผลลัพธ์ที่เป็นไปได้จะรวมถึงตัวแปรทั้งหมด (ข้อสังเกตและข้อผิดพลาด) ที่ส่งผลต่อ Y เมื่อ T คงที่ .

จากนั้นก็ง่ายที่จะเห็นว่าทำไมความเขลาใน RCT แต่ที่สำคัญกว่านั้นคือมันยังช่วยให้คุณสามารถสังเกตเห็นสถานการณ์ที่ไม่สามารถเพิกเฉยได้ง่าย ตัวอย่างเช่นในกราฟ$T \rightarrow X \rightarrow Y$, T สามารถข้ามได้ แต่ T ไม่สามารถข้ามได้เนื่องจาก X เนื่องจากเมื่อคุณมีเงื่อนไขใน X คุณจะเปิดพา ธ การชนจากเงื่อนไขข้อผิดพลาดของ X ถึง T

สรุปนักวิจัยหลายคนตั้งสมมติฐานความโง่เขลาโดยค่าเริ่มต้นเพื่อความสะดวก มันเป็นวิธีที่สะดวกในการสมมติความพอเพียงของชุดควบคุมโดยไม่จำเป็นต้องพิสูจน์เหตุผลอย่างเป็นทางการว่าทำไมถึงเป็นเช่นนั้น แต่เพื่ออธิบายความหมายในบริบทที่แท้จริงสำหรับคนธรรมดาสามัญคุณจะต้องเรียกใช้เรื่องราวเชิงสาเหตุนั่นคือสมมติฐานเชิงสาเหตุ และคุณสามารถเล่าเรื่องอย่างเป็นทางการด้วยความช่วยเหลือของกราฟเชิงสาเหตุ

ฉันคิดว่าคุณกำลังได้รับความแตกต่างระหว่างผลลัพธ์ที่เป็นไปได้ $(Y^0,Y^1)$ และผลการสังเกต $Y$. หลังได้รับอิทธิพลอย่างมากจากการรักษา แต่เราหวังว่าคู่เดิมไม่ได้เป็นเช่นนั้น

นี่คือสัญชาตญาณ $X$เพื่อความง่าย) เกี่ยวกับผลลัพธ์ที่สังเกตได้ สำหรับการสังเกตแต่ละครั้งผลลัพธ์ที่รับรู้สามารถแสดงเป็น

ซึ่งหมายความว่า $Y$ และ $T$ ขึ้นอยู่กับเพราะค่าเฉลี่ยของ $T \cdot Y^1$ จะไม่เท่ากับค่าเฉลี่ย $(1-T)\cdot Y^0$ (ตราบใดที่ผลการรักษาไม่เป็นศูนย์และการรักษาจะถูกสุ่ม / เพิกเฉย)

นี่คือสัญชาตญาณสำหรับส่วนที่สอง หากเรากำลังจะไปเรียนรู้เกี่ยวกับผลกระทบเชิงสาเหตุของ$T$เราจะเปรียบเทียบข้อสังเกตที่ได้รับการรักษาและไม่ได้รับการรักษาในขณะที่รับความแตกต่าง $X$เข้าบัญชี. เราสันนิษฐานว่ากลุ่มควบคุมนั้นเป็นของปลอมสำหรับกลุ่มการรักษาหากพวกเขาไม่ได้รับการรักษา แต่ถ้าผู้คนเลือกการรักษาของตนเองตามผลลัพธ์ที่เป็นไปได้ (หรือความคาดหวังเกี่ยวกับผลลัพธ์ที่เป็นไปได้) การเปรียบเทียบนี้คือแอปเปิ้ลกับลิงอุรังอุตัง เหมือนกับการทดลองทางการแพทย์ที่มีเพียงผู้ป่วยที่มีสุขภาพดีเลือกที่จะผ่าตัดเจ็บปวดเพราะมันคุ้มค่ากับราคา การเปรียบเทียบของเราจะมีการปนเปื้อนหากทางเลือกในการรักษาไม่สุ่มหลังจากปรับสภาพ$X$ตัวแปรที่ใช้วัดสถานะสุขภาพในปัจจุบันซึ่งควรสังเกตได้สำหรับแพทย์และผู้ป่วย) ตัวอย่างหนึ่งของตัวแปรที่ไม่สามารถสังเกตเห็นได้อาจมีคู่สมรสที่รักคุณมากดังนั้นเธอจึงขอให้คุณผ่าตัด แต่ก็ต้องแน่ใจว่าคุณได้ปฏิบัติตามคำแนะนำของแพทย์หลังการผ่าตัด$Y^1$ผล. ผลที่วัดได้ตอนนี้เป็นการผสมผสานระหว่างการผ่าตัดและการช่วยเหลือด้วยความรักซึ่งไม่ใช่สิ่งที่เราต้องการวัด ตัวอย่างที่ดีกว่าคือ$X$ ที่ได้รับผลกระทบจากการรักษาไม่ว่าจะเป็นโพสต์อดีตหรืออดีต ante ในความคาดหวังของการรักษา