Mengapa perancu harus terkait secara kausal dengan hasilnya? Apakah cukup bagi perancu untuk dikaitkan dengan hasilnya?
Tidak, itu tidak cukup.
Mari kita mulai dengan kasus di mana Anda dapat memiliki variabel yang terkait dengan hasil dan perawatan, tetapi mengendalikannya akan membiaskan perkiraan Anda.
Sebagai contoh, perhatikan grafik sebab-akibat berikut, diambil dari Pearl , di manaZ adalah collider pra-perawatan:
Dalam hal ini, tidak ada perancu, Anda dapat memperkirakan efek X pada Y secara langsung.
Perhatikan, bagaimanapun, bahwa Z dikaitkan dengan pengobatan dan hasilnya. Tapi itu masih bukan perancu. Faktanya, jika Anda mengontrol Z dalam hal ini, Anda akan bias dalam estimasi Anda. Situasi ini disebut bias-M (karena struktur grafik).
Kasus lain yang serupa, lebih langsung, di mana Anda tidak boleh mengontrol adalah ketika variabel adalah hasil dari kedua perawatan X dan hasilnya Y. Ambil grafik collider sederhana ini:
Di sini, sekali lagi, Z dikaitkan dengan X dan Y, tetapi itu bukan pendiri. Anda seharusnya tidak mengendalikannya.
Sekarang, perlu diperhatikan bahwa meskipun suatu variabel secara kausal terkait dengan hasil , itu juga belum tentu merupakan perancu.
Mari kita ambil kasus para mediator, dalam grafik sederhana di bawah ini:
Jika Anda ingin mengukur efek total D pada Y, Anda tidak boleh mengontrol untuk hal-hal yang memediasi efek --- dalam kasus ini M. Artinya, M terkait kausal dengan Y, namun itu bukan perancu sehubungan dengan efek total D pada Y juga.
Namun perhatikan, mendefinisikan confouding jauh lebih mudah daripada mendefinisikan apa itu confounder . Untuk diskusi yang lebih ketat tentang definisi confouder , Anda mungkin ingin membaca makalah ini oleh VanderWeele dan Shpitser.
Mengapa demikian? Karena konsep utama di sini adalah konsep perancu itu sendiri, bukan perancu. Untuk pertanyaan penelitian Anda, Anda harus bertanya pada diri sendiri "bagaimana saya bisa menghilangkan perancu?" bukannya "apakah variabel ini perancu?".
Dan sebagai catatan terakhir, perlu disebutkan bahwa kesalahpahaman ini masih tersebar luas. Sebagai ilustrasi, ambil kutipan ini dari makalah 2016 :
Inferensial kausal dengan tidak adanya percobaan acak atau desain quasi-eksperimental yang kuat membutuhkan pengkondisian yang tepat pada semua variabel pra-perawatan yang memprediksi pengobatan dan hasil, juga dikenal sebagai kovariat pengganggu.
Seperti yang telah kami tunjukkan dalam contoh sebelumnya, ini tidak benar. Perancu bukan "semua variabel pra-perawatan yang memprediksi pengobatan dan hasil". Mengontrol semua itu mungkin tidak diperlukan untuk menghilangkan faktor pembaur atau bahkan bias hasil Anda. Pearl memiliki gambaran yang sangat bagus tentang perancu di sini.