ルービンの因果モデルにおける混乱のなさ-レイマンの説明

ルービンの因果モデルを実装する場合、私たちが必要とする（テストできない）仮定の1つは、混乱しないことです。つまり、

LHSが反事実である場合、Tは治療であり、Xは私たちが制御する共変量です。

ルービン因果モデルについてあまり知らない人に、これをどのように説明するのかと思います。理論的にはこの仮定が必要な理由は理解していますが、なぜこれが重要なのかは概念的にはわかりません。具体的には、Tが治療である場合、潜在的な結果は治療に大きく依存するのではないでしょうか。同様に、無作為化比較試験がある場合、自動的にます。なぜこれが成り立つのですか？$(Y(0),Y(1))\perp T$

RCMを研究していない誰かに、無制限/無視可能性の仮定をどのように説明しますか？

RCMを研究していない誰かに、無制限/無視可能性の仮定をどのように説明しますか？

因果推論に詳しくない人への直感については、ここでグラフが使えると思います。それらは視覚的に「フロー」を示すという意味で直感的であり、無視可能性が現実の世界で実質的に何を意味するかも明らかにします。

条件付き無視可能性は、がバックドア基準を満たすと主張することと同等です。したがって、直感的に言うと、に対して選択した共変量は、と一般的な原因の影響を「ブロックする」（そして他の偽の関連付けを開かない）と言うことができます。$X$$X$$T$$Y$

問題の考えられる交絡変数が自体の変数だけである場合、これは簡単に説明できます。はとの両方の一般的な原因をすべて含むため、制御する必要があるのはそれだけだとあなたは言うだけです。だからあなたは彼女にあなたが世界を見る方法であると言うことができます：$X$$X$$T$$Y$

より興味深いケースは、他にもっともらしい交絡因子がそこにいる可能性がある場合です。より具体的に言うと、問題の潜在的な交絡因子に名前を付けるように依頼することもできます。つまり、と両方を引き起こすような名前を付けてもらいますが、はありません。$T$$Y$$X$

その人が変数名前を付けたとします。そして、あなたはどのようなあなたの条件ignorabilityの仮定が効果的に意味することは、あなたが考えることであることをその人に言うことができる「ブロック」の効果意志のおよび/または。 $Z$$X$$Z$$T$$Y$

そして、あなたはそれが本当だと思う実質的な理由を彼女に与えるべきです。これを表すグラフはたくさんありますが、「は結果にバイアスをかけません。なぜなら、はと引き起こしますが、への影響は、制御対象であるを介するだけだからです」。$Z$$Z$$T$$Y$$T$$X$次に、このグラフを表示します。

そして、他の共同創設者について考え、がグラフで視覚的にそれらをどのようにブロックしているかを彼女に示すことができます。$X$

次に、概念的な質問に答えます。

具体的には、Tが治療である場合、潜在的な結果は治療に大きく依存するのではないでしょうか。同様に、ランダム化比較試験がある場合、自動的に、なぜこれが成り立つのですか？

いいえを治療の割り当てと考えてください。それはあなたが人々が治療にどのように反応するか（事実とは逆の可能性のある結果）を「無視」している人々に治療を割り当てているということです。これに対する単純な違反は、あなたが治療から最大の利益を得る可能性のある人々に治療を与える傾向があるということです。$T$

これは、ランダム化したときに自動的に保持される理由でもあります。治療を無作為に選択した場合、これは治療に対する潜在的な反応をチェックして選択しなかったことを意味します。

答えを補足するために、因果プロセスについて話すことなく、つまり構造方程式やグラフィカルモデルを呼び出さずに無視可能性を理解することは本当に難しいことに注意してください。ほとんどの場合、研究者は「治療は無作為である」という考えに魅力を感じますが、なぜそれがそうであるのか、なぜそれが現実世界のメカニズムとプロセスを使用してもっともらしいのかを正当化しません。

実際、多くの研究者は、統計的手法の使用を正当化するために、便宜上無視できることを単純に想定しています。Joffe、Yang、Feldmanの論文からのこの一節は、ほとんどの人が知っている不便な真実を語っていますが、会議のプレゼンテーション中には触れていません。

ただし、回答の冒頭で述べたように、グラフを使用して、処理の割り当てが無視できるかどうかを議論できます。無視可能性の概念自体は把握が困難ですが、反事実的な量についての判断が示されているため、グラフでは基本的に因果関係のプロセスについてこの定性的な記述を行っています（この変数はその変数などを引き起こします）。これは説明が簡単で視覚的に魅力的です。

前の回答で述べたように、グラフと潜在的な結果との間には正式な同等性があります。したがって、グラフから潜在的な結果を読み取ることもできます。この接続をより正式なものにするには（Pearlの因果関係、p.343を参照）、次の定義に頼ることができます：潜在的な結果は、Tが一定に保たれる場合にYに影響するすべての変数（観測されたおよびエラーの項）の合計を表します。

次に、RCTで無視可能性が保持される理由を確認するのは簡単ですが、さらに重要なことに、無視可能性が保持されない状況を簡単に見つけることができます。たとえば、グラフでは、Tは無視できますが、Tは条件付きで無視できません。これは、Xに条件を付けると、Xのエラー項からTへの衝突パスを開くためです。$T \rightarrow X \rightarrow Y$

要約すると、多くの研究者は、便宜上、デフォルトで無視可能性を仮定しています。これは、その理由を正式に正当化する必要なく、一連のコントロールの十分性を想定するのに便利な方法ですが、素人の実際のコンテキストでそれが何を意味するのかを説明するには、因果関係のストーリー、つまり因果関係の仮定を呼び出す必要があります。 、そして因果関係グラフの助けを借りて、その話を正式に伝えることができます。

潜在的な結果と観測された結果の違いに夢中になっていると思います。後者は治療に大きく影響されますが、前者のペアは影響を受けないことを願っています。$(Y^0,Y^1)$$Y$

$X$

$Y$$T$$T \cdot Y^1$$(1-T)\cdot Y^0$

$T$$X$$X$$Y^1$$X$