Directed acyclic graphs (DAG) เป็นการนำเสนอภาพที่มีประสิทธิภาพของสมมติฐานเชิงสาเหตุเชิงคุณภาพในแบบจำลองทางสถิติ แต่สามารถใช้เพื่อแสดงสมการตัวแปรเครื่องมือแบบปกติ (หรือสมการอื่น ๆ ) ได้หรือไม่? ถ้าเป็นเช่นนั้นได้อย่างไร ถ้าไม่ทำไม
Directed acyclic graphs (DAG) เป็นการนำเสนอภาพที่มีประสิทธิภาพของสมมติฐานเชิงสาเหตุเชิงคุณภาพในแบบจำลองทางสถิติ แต่สามารถใช้เพื่อแสดงสมการตัวแปรเครื่องมือแบบปกติ (หรือสมการอื่น ๆ ) ได้หรือไม่? ถ้าเป็นเช่นนั้นได้อย่างไร ถ้าไม่ทำไม
คำตอบ:
ใช่.
ยกตัวอย่างเช่นใน DAG ด้านล่างบรรเลงตัวแปรทำให้เกิดในขณะที่ผลกระทบของในจะได้อายเพราะไม่สามารถวัดตัวแปรU
รูปแบบตัวแปรเครื่องมือสำหรับ DAG นี้จะเป็นที่จะประเมินผลกระทบเชิงสาเหตุของในใช้ที่Z)
การประมาณนี้เป็นค่าประมาณเชิงสาเหตุที่เป็นกลางหาก:
จะต้องเกี่ยวข้องกับXแก้ไข:และ (ตาม DAG ด้านบน) การเชื่อมโยงนี้ต้องไม่ถูกผูกมัด (ดูImbens )
ต้องส่งผลกระทบต่อผ่านเท่านั้น
ต้องไม่มีสาเหตุใด ๆ ก่อนหน้าของทั้งสองและZ
ผลของในจะต้องเป็นเนื้อเดียวกัน สมมติฐาน / ข้อกำหนดนี้มีสองรูปแบบอ่อนแอและแข็งแกร่ง :
สมมติฐานสามข้อแรกแสดงอยู่ใน DAG อย่างไรก็ตามข้อสมมติฐานสุดท้ายไม่ได้แสดงอยู่ใน DAG
Hernán, MA และ Robins, JM (2019) สาเหตุการอนุมาน บทที่ 16: การประมาณค่าตัวแปรเครื่องมือ แชปแมน & ฮอล / CRC
ใช่พวกเขาสามารถ
ตามจริงแล้ววรรณคดี SCM / DAG ได้ทำงานเกี่ยวกับแนวคิดทั่วไปของตัวแปรเครื่องมือคุณอาจต้องการตรวจสอบBrito และ PearlหรือChen, Kumor และ Bareinboim
พื้นฐาน dag iv มักจะแสดงเป็น:
ที่ไหนคือไม่มีใครสังเกตและเป็นเครื่องมือสำหรับการผลของการที่บนYแม้ว่านี่คือกราฟที่คุณมักจะเห็นมีโครงสร้างที่แตกต่างกันหลายอย่างที่จะทำให้เครื่องมือเป็น สำหรับกรณีพื้นฐานเพื่อตรวจสอบว่าเป็นเครื่องมือสำหรับผลเชิงสาเหตุของบนเงื่อนไขบนชุดของ covariatesหรือไม่คุณมีเงื่อนไขกราฟิกสองประการ:
เงื่อนไขแรกกำหนดให้ต้องเชื่อมต่อกับใน DAG ดั้งเดิม เงื่อนไขที่สองต้องที่จะไม่ต้องเชื่อมต่อกับถ้าเราเข้าไปแทรกแซงใน (แสดงโดย DAGที่คุณลบลูกศรที่ชี้ไปที่ ) คุณอาจต้องการตรวจสอบเวรกรรม (หน้า. 248)
ตัวอย่างเช่นพิจารณากราฟด้านล่างด้วยและไม่มีใครสังเกต นี่เป็นเงื่อนไขใน , เครื่องมือสำหรับผลสาเหตุของในYเราสามารถสร้างกรณีที่ซับซ้อนมากขึ้นซึ่งอาจไม่ชัดเจนในทันทีว่ามีบางสิ่งที่มีคุณสมบัติเป็นเครื่องมือหรือไม่
สุดท้ายสิ่งหนึ่งที่คุณควรมีในใจคือบัตรประจำตัวที่ใช้วิธีการตัวแปรบรรเลงต้องการสมมติฐานตัวแปร นั่นคือการค้นหาเครื่องมือไม่เพียงพอสำหรับการระบุผลกระทบ: คุณจำเป็นต้องกำหนดสมมติฐานแบบพารามิเตอร์เช่นแบบเชิงเส้นหรือแบบโมโนโทนิตี้เป็นต้น