調停分析は本質的に因果関係がありますか？

1つのIV、1つのDV、および1つのメディエーターを使用した単純なメディエーションモデルのテストに興味があります。Preacher and Hayes SPSSマクロによってテストされたように、間接的な効果は重要です。これは、メディエーターが関係を統計的に仲介するのに役立つことを示唆しています。

調停について読むとき、「調停モデルは因果モデルであることに注意してください」などのことを読みました。- デビッド・ケニー。因果モデルとしてメディエーションモデルを使用することは確かに評価できます。実際、モデルが理論的に健全であれば、これは非常に有用であると考えることができます。

しかし、私のモデルでは、メディエーター（不安障害の素因と考えられる特性）は、独立変数（不安障害の症状）によって引き起こされるものではありません。むしろ、メディエーターと独立変数は関連しており、独立変数と従属変数の間の関連は、IV-メディエーター-DV間の分散によって大きく説明できると思います。本質的に、IV-DV関係の以前のレポートは、IVによって引き起こされていない関連メディエーターによって説明できることを実証しようとしています。

調停は、IV-Mediator-DV関係によってIV-DV関係を統計的に説明する方法を説明するため、この場合に役立ちます。私の問題は因果関係の問題です。レビューが戻ってきて、IVが実際に調停者を引き起こさないので、調停は適切でないと私たちに伝えることができますか（私は最初に議論したことはなかっただろう）。

これは理にかなっていますか？この問題に関するフィードバックは大歓迎です！

編集：私が言いたいのは、XがYを引き起こすためではなく、ZがYを（部分的に）引き起こし、XとZが高度に相関しているためです。少しわかりにくいですが、それだけです。この場合の因果関係は実際には問題ではなく、この原稿は因果関係についてそれほど重要ではありません。私は単に、XとYの間の分散がZとYの間の分散によって説明できることを実証しようとしています。したがって、基本的に、XはYからZまで間接的に相関します。

A.「調停」は概念的に因果関係を意味します（ケニーの引用が示すように）。メディエーターとして変数を扱う路モデルは、このようにいくつかの治療が結果変数に影響を与えていることを伝えるために意味を通じてターン中におけるメディエーターばらつきに及ぼす影響要因結果が変化すること。しかし、「仲介者」として何かをモデル化することは、本当に意味するものではありませんですメディエーター-これが原因の問題です。マクロへの応答でのあなたの投稿とコメントは、変数がメディエーターとしてモデル化されているが「因果関係」として見られないパス分析を念頭に置いていることを示唆しています。ただし、その理由はよくわかりません。関係が偽物である、つまり「独立変数」と「仲介者」の両方を引き起こしている3番目の変数があると仮定していますか？そして、おそらく分析の「独立変数」と「仲介者」の両方が、結果変数に対する第3の変数の影響の仲介者であるということでしょうか？そうだとすれば、レビュアー（または思慮深い人）は、3番目の変数が何であるか、そして実際にメディエーターであるものの間の偽の関係に責任があるという証拠を知りたいと思うでしょう。

B.マクロの投稿を拡張するために、これは悪名高い茂みであり、教義と学力に覆われています。しかし、ここにいくつかのハイライトがあります：

1. メディエーターと因果効果を発揮すると仮定される影響を実験的に操作した場合にのみ、メディエーションを「証明」できると考える人もいます。したがって、因果的影響のみを操作し、結果変数への影響がメディエーターの変更によって反映されることを観察した実験を行った場合、それらは「いや！十分ではありません！」基本的に、しかし、彼らは観察法が因果推論をサポートするとは考えていません。

2. 観察研究から因果推論を手に負えない他の人々は、それでもあなたが本当に本当に複雑な統計的方法を使用すると信じますさまざまな代替案について）、先ほど述べた批評家を効果的に黙らせることができます。基本的にこれは男爵とケニーですが、ステロイドを使用しています。経験的に言えば、彼らは彼らを黙らせていません。論理的には、どのようにできるのかわかりません。

3. さらに、特に注目すべきは、Judea Pearl氏は、実験的研究または観察的研究のいずれにおいても、因果推論の健全性が統計によって証明されることは決してないと言う。推論の強さは、設計の妥当性に関係しています。統計は、因果推論が意図または依存する効果のみを確認します。

いくつかの読み物（すべては教義的または学力的ではなく、良いです）：

• Green、DP、Ha、SE、Bullock、JG「ブラックボックス」実験についてはすでに十分です。調停の研究は、ほとんどの学者が考えるよりも困難です。アメリカ政治社会科学アカデミー628、200-208（2010）のANNALS。

• Sobel、ME媒介変数を用いたランダム化研究における因果パラメーターの同定。Journal of Educational and Behavioral Statistics 33、230-251（2008）。

• パール、J。因果推論の紹介。International Journal of Biostatistics 6、Article 7（2010）。

最後になりましたが、少なくとも調停が中心となった因果推論に関するゲルマンとパールのクールなやり取りの一部：http : //andrewgelman.com/2007/07/identification/

因果関係と調停

• 調停モデルは、因果関係について理論的に主張します。
  • モデルは、提案IVさせるDVと、この効果は、完全にまたは部分的にそれによって因果関係の連鎖によって説明されることをIV引き起こすMEDIATOR順番に引き起こしますDV。
• 調停モデルのサポートは、提案された因果経路を証明しません。
  • 調停の統計的テストは、通常、観察研究に基づいています。代替の因果解釈の範囲は広い（3番目の変数、代替の方向、相反性など）
  • 私は通常、調停モデルに含まれる因果的主張を提案する研究者によって提示された議論（もしあれば）に説得されません。
• 仲介モデルのサポートは、因果関係の主張に対する議論を構築する際に、他の証拠源を補足する証拠を提供する場合があります。要約すると、相関は因果関係を証明しませんが、補足的な証拠を提供できます。
• 観察研究における調停のテストの制限にもかかわらず、（a）調停モデルは、研究者に因果経路について考えさせるのに適しています。（b）調停モデルを作成するより良い方法と悪い方法があります。提案された因果経路と代替因果経路の両方について、証拠の徹底的な理論的議論を提供します（私が準備したヒントのこのページを参照）。
• @ dmk38は、いくつかの優れたリファレンスと追加のディスカッションを提供しています。

変数が別の変数の予測を説明することを示す

• あなたの説明に基づいて、調停はあなたの研究の質問と一致していないようです。そのため、分析で調停の言語を使用することは避けます。
• 私が理解しているように、あなたの研究の質問は、上の1つの変数の予測（のX1代わりに呼び出しますIV）がDV2番目の変数（のX2代わりに呼び出します）によって説明されるかどうかに関係していますMEDIATOR。また、のような因果主張作ることもX2原因DVが、X1唯一と相関しているX2と発生しませんDV。
• この研究の質問をテストするのに適した統計テストがいくつかあります。
  • ゼロ次（X1とDV）を準部分相関（とX1部分分割）と比較X2するDV）。おもしろい要素は減少の程度であり、統計的有意性ではないことを想像します（もちろん、その減少についてある程度の信頼区間を得たいと思うでしょう）。
  • または、同様に、X2ブロック1およびX1ブロック2に追加する階層回帰の増分R平方と、X1予測のみのモデルのR 平方を比較しますDV。
  • 私はまた、あなたの因果関係の仮定（例えば、双頭矢印の間に整列することをパス図を描くことができ想像X1とX2の間の単一方向矢印をX2してDV。

あなたが話しているこれらの変数は、おそらくIVがそれらを引き起こさない場合は「制御」変数、または相互作用効果を期待する場合はモデレーターと見なされるべきだと思います。紙の上でそれを試してみて、あなたの心の中で何度か試してみるか、仮説の効果を描いてください。

おそらく、より良い言語、または少なくともはるかに混乱が少ないのは、スプリアス相関です。この典型的な例は、アイスクリームの消費がconsumption死と相関していることです。したがって、誰かがアイスクリームの消費がdr死を引き起こすと考えるかもしれません。スプリアス相関は、3番目の「調整」変数が最初の2つに対して実際に原因である場合に発生します。この例では、アイスクリームの販売と時間内のdr死を見て、気温によって緩和される季節の影響を忘れました。水泳やアイスクリームを食べることで暑さから。いくつかのユーモラスな例。

それでは、質問は、何のためにスプリアス相関を使用するのでしょうか？そして、結局のところ、人々は彼らの理論をテストしないので、彼らは使われます。たとえば、腎機能は、体重と身長の式によって推定されるように、推定された体表面に対して「正規化」されることがよくあります。

現在、体表面積は尿を形成せず、体重と身長の式では、体重はクライバーの法則によって因果関係があり、実際には身長が式の予測性を低下させます。

ゲノミクスの文脈における因果推論に関連する自分の研究で、この投稿に出会いました。この領域での因果関係を見極める試みは、多くの場合、人の遺伝コードがランダム化されていると考えられる方法（性細胞が形成され、最終的にペアになる方法）で遊ぶことに起因します。これを「メディエーター」と究極の応答の両方に関連する既知の突然変異と結び付けると、特定の因果関係の定義の下で、その応答に対するメディエーターの因果効果を推論できます（ここで長い議論を巻き起こす可能性があります）。

調停モデルを使用し、因果関係を主張しない場合、レビュアーが議論する理由を考えることができませんでした。観察した調停効果が3番目の変数と混同されているかどうかを除外する必要があります。

因果関係に明示的に興味がある場合は、メンデルのランダム化や「因果推論テスト」などの疫学の手法を検討することをお勧めします。または、Instrumental Variable Analysisから始めます。