Неограниченность в причинной модели Рубина - объяснение Леймана

При реализации причинной модели Рубина, одно из (непроверяемых) предположений, которое нам нужно, - это необоснованность, что означает

Если LHS - это контрфактуальность, T - это лечение, а X - ковариаты, которые мы контролируем.

Мне интересно, как описать это человеку, который мало знает о модели причинности Рубина. Я понимаю, почему теоретически нам нужно это предположение, но я не уверен в концептуальном смысле, почему это важно. В частности, если Т - это лечение, разве потенциальный результат не должен сильно зависеть от него? Так же, если мы имеем рандомизированное контролируемое испытание, а затем автоматически, . Почему это так?$(Y(0),Y(1))\perp T$

Как бы вы описали предположение о необоснованности / неосведомленности тому, кто не изучал RCM?

Как бы вы описали предположение о необоснованности / неосведомленности тому, кто не изучал RCM?

Что касается интуиции кого-то, кто не разбирается в причинно-следственных связях, я думаю, что именно здесь вы можете использовать графики. Они интуитивно понятны в том смысле, что визуально показывают «поток», и они также прояснят, что в действительности означает невежество в реальном мире.

Условное невежество эквивалентно утверждению, что удовлетворяет заднему критерию. Таким образом, в интуитивном смысле вы можете сказать человеку, что ковариаты, выбранные вами для X, «блокируют» влияние общих причин T и $X$$X$$T$$Y$ (и не открывают никаких других ложных ассоциаций).

Если единственными возможными смешивающими переменными вашей проблемы являются переменные на самом , то это тривиально объяснить. Вы просто говорите, что, поскольку X охватывает все общие причины как T, так и Y , это все, что вам нужно контролировать. Таким образом, вы могли бы сказать ей, как вы видите мир:$X$$X$$T$$Y$

Более интересный случай, когда там могут быть другие вероятные препятствия. Чтобы быть более конкретным, вы могли бы даже попросить человека назвать потенциального участника вашей проблемы, то есть попросить его назвать что-то, что вызывает и и Y , но это не в $T$$Y$$X$ .

Скажем, имена людей переменной . Тогда вы можете сказать этому человеку, что ваше условное ignorability предположение фактически означает, что вы думаете , X будет «блок» эффект Z на Т и / или Y . $Z$$X$$Z$$T$$Y$

$Z$$Z$$T$$Y$$T$$X$

$X$

Теперь отвечаем на концептуальные вопросы:

В частности, если Т - это лечение, разве потенциальный результат не должен сильно зависеть от него? Кроме того, если у нас есть рандомизированное контролируемое исследование, то автоматически. Почему это так?

$T$

Вот почему это автоматически срабатывает при рандомизации. Если вы выбираете лечение случайным образом, это означает, что вы не проверяли его потенциальные ответы на лечение, чтобы выбрать их.

Чтобы дополнить ответ, стоит заметить, что понимание невежества без разговоров о причинном процессе, то есть без вызова структурных уравнений / графических моделей, действительно сложно. В большинстве случаев вы видите, как исследователи апеллируют к идее «лечение было как будто случайным», но без объяснения, почему это так или почему это правдоподобно, используя реальные механизмы и процессы.

На самом деле, многие исследователи просто предполагают, что их игнорируют для удобства, чтобы оправдать использование статистических методов. Этот отрывок из статьи Иоффе, Янга и Фельдмана говорит о неудобной правде, которую большинство людей знают, но не говорят во время выступлений на конференции: «Предположения об игнорируемости обычно делаются потому, что они оправдывают использование доступных статистических методов, а не потому, что им действительно верят».

Но, как я уже говорил в начале ответа, вы можете использовать графики, чтобы спорить о том, является ли назначение лечения игнорируемым или нет. В то время как саму концепцию невежества трудно понять, поскольку в ней приводятся суждения о контрфактических величинах, на графиках вы в основном делаете качественные утверждения о причинных процессах (эта переменная вызывает эту переменную и т. Д.), Которые легко объяснить и визуально привлекательны.

Как упоминалось в предыдущем ответе, существует формальная эквивалентность между графиками и потенциальными результатами . Следовательно, вы можете прочитать потенциальные результаты из графиков тоже. Делая эту связь более формальной (подробнее см. Причинность Перла, стр. 343), вы можете прибегнуть к следующему определению: потенциальные результаты будут означать сумму всех переменных (наблюдаемых и ошибочных), которые влияют на Y, когда T поддерживается постоянным ,

$T \rightarrow X \rightarrow Y$

Подводя итог, многие исследователи для удобства делают предположение о неосведомленности по умолчанию. Это удобный способ предположить достаточность набора элементов управления без необходимости формального обоснования, почему это так, но чтобы объяснить, что это означает в реальном контексте для непрофессионала, вам нужно будет вызвать причинную историю, то есть причинные предположения и вы можете официально рассказать эту историю с помощью причинных графиков.

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

$X$

Это означает, что $Y$ и $T$$T \cdot Y^1$$(1-T)\cdot Y^0$

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