Причинный вывод

Обзор

Причинно-следственный вывод спрашивает, что произойдет с результатом в случае изменения лечения или политики воздействия при сопоставимых других соответствующих условиях. Поскольку одна и та же единица не может быть одновременно наблюдаемой при двух альтернативах, исследователи объединяют явные предположения (предположения), дизайн исследования или статистические модели для оценки контрфактических контрастов из-за отсутствия полных доказательств.

Технические основы

Структура потенциальных результатов определяет ответ единицы на каждом уровне лечения и выражает средний эффект обработки в качестве контрастности между этими контрфактическими величинами. Графические причинные модели представляют собой переменную и направленные структурных отношений, используя d-разделение для определения того . Оба формализма встречаются через такие предположения, как последовательность и позитивность. Идентификация отличается от оценки: сначала доказывается, что целевой эффект может быть записан как функционал распределения наблюдаемых данных и только потом выбирается оценщик для этого функционального.

Как это работает

Причинно-следственная проблема определяет вмешательство, целевую численность населения и временные горизонты. Случайное назначение может сбалансировать известные и неизвестные причины в среднем. В данных наблюдений корректировка, сопоставление и взвешивание инструментальных переменных или квазиэкспериментальные конструкции пытаются реконструировать достоверность сравнения путем блокирования непричинно-следственных путей без предварительного определения параметров с предвзятым выбором.

Методы измерения и исследования

Рандомизированные испытания оценивают эффекты намерения лечить в соответствии с правилами соблюдения и пропущенности, установленными заранее. В наблюдательных исследованиях используются стандартизация, взвешивание с обратной вероятностью и двойная надежность оценок после определения допустимого набора корректировок. Инструментально-вариабельные, регрессионно -дисконтинуальные и дифференционное конструкции используют конкретные источники квазислучайных вариаций с отдельными исключениями или предположениям о непрерывности. Диагностика исследует перекрытие, ковариатный баланс и зависимость от модели в то время как отрицательные элементы управления или плацебо-тесты проверяют выбранные режимов отказа. Интервалы доверия касаются вариации выборки, но не включают в себя автоматически неуверенность относительно причинного графа или беспорядочное смешение.

Ключевые идеи

• Ассоциация становится причинным доказательством только через предположения, связанные с защитимым замыслам.
• Направленный ациклический граф может выявить путаницы, посредники и коллайдеры до начала моделирования.
• Анализ чувствительности должен количественно оценить, как неизмеримая предвзятость может изменить вывод.

Современные исследовательские границы

Текущие исследования сочетают гибкое машинное обучение с ортогональными оценкам, целенаправленного обучения и кросс-приспособления таким образом модели неприятностей могут быть сложным без доминирующего лечения. Методы оценки гетерогенных эффектов оценивают, как польза и вред различаются в разных группах; но обнаружение подгрупп требует контроля множественности. Методы переносимости формализуют, применимы ли результаты испытаний к новой популяции в то время как поиск причинно-следственных связей для структуры графа при предположениями редко удовлетворяется идеально. Важными границами являются вмешательство в сети, динамические режимы лечения и анализ чувствительности с продольным изменением времени для того чтобы сообщить о том насколько сильной должна быть неявная общая причина отмены решения.

Почему это важно

Надежные каузальные оценки определяют медицину, государственную политику и решения в области образования там где только предсказание не может определить эффект действия. В рамках этой системы также можно проводить проверку разногласий путем отделения величин, поддерживаемых данными от предположений.

Пределы и открытыые вопросы

Причинно-следственные эффекты не могут передаваться между популяциями, периодами или условиями осуществления. Нарушения позитивности, помехи между единицами измерения и неизмеримое смешение могут сделать оценку слабо идентифицированной или невозможной для восстановления из имеющихся данных.