Ketidakpastian dalam penjelasan Rubin's Causal Model- Layman

Ketika menerapkan model sebab-akibat Rubin, salah satu asumsi (yang tidak dapat diuji) yang kita butuhkan adalah tidak dirusakkan, yang berarti

(Y (0), Y (1)) ⊥ T | X

$(Y(0),Y(1))\perp T|X$

Di mana LHS adalah kontrafaktual, T adalah pengobatan, dan X adalah kovariat yang kami kontrol.

Saya bertanya-tanya bagaimana menggambarkan ini kepada seseorang yang tidak tahu banyak tentang Model Kausal Rubin. Saya mengerti mengapa secara teoritis kita memerlukan asumsi ini, tetapi saya tidak yakin secara konseptual mengapa ini penting. Secara khusus, jika T adalah pengobatan, bukankah hasil potensial sangat tergantung padanya? Juga, jika kita memiliki percobaan acak terkontrol, maka secara otomatis, . Mengapa ini berlaku? $(Y(0),Y(1))\perp T$

Bagaimana Anda menggambarkan asumsi tidak berdasar / tidak dapat disembuhkan kepada seseorang yang belum mempelajari RCM?

causality treatment-effect confounding

— RayVelcoro
sumber

Adapun pencocokan skor kecenderungan, pertama mudah untuk membuktikan bahwa distribusi bersyarat bertepatan dengan distribusi bersyarat . Oleh karena itu unconfoundedness / ignorability menyiratkan bahwa . Untuk uji acak, harus independen dari variabel lain yang berpartisipasi dalam uji coba.

X | T = 1, p (X) = q

$X\ |\ T=1,p(X)=q$

X | T = 0, p (X) = q

$X\ |\ T=0,p(X)=q$

(Y (0), Y (1)) ⊥ T | p (X)

$(Y(0),Y(1))\ \perp\ T\ |\ p(X)$

T

$T$

— Viktor

Jawaban:

Bagaimana Anda menggambarkan asumsi tidak berdasar / tidak dapat disembuhkan kepada seseorang yang belum mempelajari RCM?

Mengenai intuisi kepada seseorang yang tidak berpengalaman dalam inferensial kausal, saya pikir ini adalah di mana Anda bisa menggunakan grafik. Mereka intuitif dalam arti bahwa mereka secara visual menunjukkan "aliran" dan mereka juga akan memperjelas apa artinya ketidakpedulian secara substantif di dunia nyata.

Kebodohan kondisional sama dengan mengklaim memenuhi kriteria backdoor. Jadi, secara intuitif, Anda dapat mengatakan kepada orang tersebut bahwa kovariat yang Anda pilih untuk "menghalangi" efek dari penyebab umum dan (dan jangan membuka asosiasi palsu lainnya). $X$ $X$ $T$ $Y$

Jika satu-satunya variabel pembaur yang mungkin dari masalah Anda adalah variabel pada itu sendiri, maka ini sepele untuk dijelaskan. Anda hanya mengatakan bahwa karena mengandung semua penyebab umum dari dan , hanya itu yang perlu Anda kontrol. Jadi Anda bisa mengatakan kepadanya bahwa itulah cara Anda melihat dunia: $X$ $X$ $T$ $Y$

Kasus yang lebih menarik adalah ketika mungkin ada pembaur yang masuk akal di luar sana. Untuk lebih spesifik, Anda bahkan bisa meminta orang tersebut untuk nama perancu potensial dari masalah Anda - yaitu, memintanya untuk nama sesuatu yang menyebabkan kedua dan , tapi tidak di . $T$ $Y$ $X$

Mengatakan nama-nama orang variabel . Kemudian Anda dapat mengatakan kepada orang itu bahwa apa asumsi ignorability bersyarat Anda secara efektif berarti bahwa Anda berpikir akan "blok" efek pada dan / atau . $Z$ $X$ $Z$ $T$ $Y$

Dan Anda harus memberinya alasan substantif mengapa Anda berpikir itu benar. Ada banyak grafik yang dapat mewakili itu, tetapi katakan Anda menemukan penjelasan ini: " tidak akan membiaskan hasil karena meskipun menyebabkan dan , pengaruhnya terhadap hanya melewati , yang kami kendalikan". $Z$ $Z$ $T$ $Y$ $T$ $X$ Dan kemudian tunjukkan grafik ini:

Dan Anda bisa memikirkan salah satu pendiri dan menunjukkan kepadanya bagaimana memblokir mereka secara visual pada grafik. $X$

Sekarang menjawab pertanyaan konseptual:

Secara khusus, jika T adalah pengobatan, bukankah hasil potensial sangat tergantung padanya? Juga, jika kita memiliki uji coba terkontrol secara acak, maka secara otomatis,. Mengapa ini berlaku?

Tidak. Anggaplah sebagai tugas perawatan. Apa yang dikatakannya adalah bahwa Anda memberikan pengobatan kepada orang-orang "mengabaikan" bagaimana mereka menanggapi pengobatan (hasil potensial kontrafaktual). Pelanggaran sederhana ini adalah Anda cenderung memberikan pengobatan kepada mereka yang berpotensi mendapat manfaat paling banyak darinya. $T$

Itu juga mengapa ini secara otomatis berlaku ketika Anda mengacak. Jika Anda memilih yang dirawat secara acak, ini berarti Anda tidak memeriksa tanggapan potensial mereka terhadap perawatan untuk memilihnya.

Untuk melengkapi jawabannya, perlu diperhatikan bahwa memahami ketidaktahuan tanpa berbicara tentang proses sebab akibat, yaitu, tanpa menggunakan persamaan struktural / model grafis sangat sulit. Sebagian besar waktu Anda melihat para peneliti tertarik pada gagasan "pengobatan itu seolah-olah acak" tetapi tanpa membenarkan mengapa itu atau mengapa itu masuk akal menggunakan mekanisme dan proses dunia nyata.

Bahkan, banyak peneliti hanya menganggap ketidaktahuan untuk kenyamanan, untuk membenarkan penggunaan metode statistik. Kutipan dari makalah Joffe, Yang, dan Feldman ini berbicara tentang kebenaran yang tidak menyenangkan yang diketahui sebagian besar orang tetapi tidak mengatakan selama presentasi konferensi: "Asumsi pengabaian biasanya dibuat karena mereka membenarkan penggunaan metode statistik yang tersedia, dan bukan karena mereka benar-benar dipercaya."

Tetapi, seperti yang telah saya katakan di awal jawaban, Anda dapat menggunakan grafik untuk berdebat tentang apakah tugas perawatan diabaikan atau tidak. Walaupun konsep ketidaktahuan itu sendiri sulit untuk dipahami, karena ia menyatakan penilaian tentang jumlah kontrafaktual, dalam grafik Anda pada dasarnya membuat pernyataan kualitatif tentang proses sebab akibat (variabel ini menyebabkan variabel itu dll), yang mudah dijelaskan dan menarik secara visual.

Seperti disebutkan dalam jawaban sebelumnya, ada kesetaraan formal antara grafik dan hasil potensial . Karenanya, Anda juga dapat membaca hasil potensial dari grafik. Membuat hubungan ini lebih formal (untuk lebih lanjut lihat Pearl's Causality, p.343), Anda dapat menggunakan definisi berikut: hasil potensial akan berdiri untuk total semua variabel (diamati dan istilah kesalahan) yang mempengaruhi Y ketika T dipegang konstan .

Maka mudah untuk melihat mengapa kebodohan berlaku di RCT, tetapi yang lebih penting, itu juga memungkinkan Anda untuk dengan mudah menemukan situasi di mana kebodohan tidak akan berlaku. Misalnya, dalam grafik , T adalah ignorable, tetapi T tidak kondisional diabaikan diberikan X, karena begitu Anda mengkondisikan pada X, Anda membuka jalur bertabrakan dari istilah kesalahan X ke T. $T \rightarrow X \rightarrow Y$

Singkatnya, banyak peneliti membuat asumsi ketidaktahuan secara default, untuk kenyamanan. Ini adalah cara yang mudah untuk mengasumsikan kecukupan seperangkat kontrol tanpa perlu secara formal menjustifikasi mengapa demikian, tetapi untuk menjelaskan apa artinya dalam konteks nyata bagi orang awam, Anda perlu memunculkan cerita sebab-akibat, yaitu asumsi kausal , dan Anda dapat secara resmi menceritakan kisah itu dengan bantuan grafik sebab akibat.

— Carlos Cinelli
sumber

$(Y^0,Y^1)$ $Y$

$X$

Y = T \cdot Y^{1} + (1 - T) \cdot Y^{0} .

$Y=T \cdot Y^1 + (1-T) \cdot Y^0.$

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

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

— Dimitriy V. Masterov
sumber

Melihat bagian di mana Anda mengatakan, "Saya pikir Anda terpaku pada perbedaan antara hasil potensial (Y0, Y1) dan hasil yang diamati Y. Yang terakhir sangat dipengaruhi oleh pengobatan, tetapi kami berharap pasangan yang pertama tidak. " Dapatkah ini ditafsirkan sebagai "Hasil yang diamati tergantung pada pengobatan, tetapi di bawah hipotesis nol tanpa efek pengobatan, pengobatan tidak boleh mempengaruhi hasil potensial"? Mengapa kami berharap bahwa hasil potensial dipengaruhi oleh perawatan

— RayVelcoro

@ RayVelcoro Tidak, bukan itu yang akan saya katakan. Saya akan mengatakan bahwa mengetahui apakah seseorang ditugaskan (atau memilih) pengobatan tidak mengandung informasi tentang bagaimana-jika hasil di kedua negara yang dirawat dan tidak diobati, tergantung pada Xs-nya, dan tidak ada informasi tentang efek sebab akibat yang ditentukan dari mereka, seperti . Ini tidak ada hubungannya dengan efek nol nol.

Y^{1} - Y^{0}

$Y^1-Y^0$

— Dimitriy V. Masterov

Bisakah saya bertanya mengapa fakta rata-rata tidak sama dengan rata-rata menyiratkan bahwa dan tergantung? terima kasih

T Y^{1}

$TY^{1}$

(1 - T) Y^{0}

$(1-T)Y^0$

Y

$Y$

T

$T$

— user321627

@ user321627 Jika Anda menghitung perbedaan dalam hasil yang diamati berarti untuk perawatan dan kontrol, itu harus jelas.

— Dimitriy V. Masterov