Modele causal acausal

Interpréter les résultats d`une analyse de données: une hiérarchie. L`utilisation d`un modèle statistique connu pour contenir la véritable distribution des données observées et d`un estimateur qui minimise le biais et fournit une mesure valide de l`incertitude statistique permet de s`assurer que les analyses maintiennent une interprétation statistique valide. Sous d`autres hypothèses, cette interprétation peut être augmentée. Pearl définit un modèle causal comme un triple ⟨ ordonné U, V, E ⟩ {displaystyle langle U, V, Erangle}, où U est un ensemble de variables exogènes dont les valeurs sont déterminées par des facteurs en dehors du modèle; V est un ensemble de variables endogènes dont les valeurs sont déterminées par des facteurs dans le modèle; et E est un ensemble d`équations structurelles qui expriment la valeur de chaque variable endogène en fonction des valeurs des autres variables en vous et en V. [1] le modèle causal (représentant les connaissances sur le système à étudier) doit être explicitement lié aux données mesurée sur ce système. Par exemple, une étude peut avoir mesuré les covariables de référence W, l`exposition A et le résultat Y sur un échantillon aléatoire indépendant de n individus provenant d`une population cible. Les données observées sur une personne donnée consistent donc en une seule copie de la variable aléatoire O = (W, A, Y). Si notre modèle causal décrit avec précision le système générateur de données, les données peuvent être considérées comme n indépendantes et les tirages de O distribués identiquement du système correspondant d`équations. Toute classe donnée d`estimateur lui-même exige, en tant qu` «ingrédients», des estimateurs de composants spécifiques de la distribution des données observées. Par exemple, une approche d`estimation de l`équation 2 est de spécifier un estimateur de E (Y | A, W). (P (W = w) est généralement estimée comme la proportion d`échantillon.) Dans de nombreux cas, la véritable forme fonctionnelle de cette attente conditionnelle est inconnue.

Dans certains cas, E (Y | A, W) peut être estimée non paramétrique à l`aide d`un modèle de régression saturé; Cependant, à des tailles d`échantillon modérées ou si W ou A sont de haute dimension ou contiennent des covariables continues, les tables de contingence correspondantes auront des cellules vides et cette approche se décomposent. Par conséquent, dans de nombreux scénarios pratiques, l`analyste doit soit s`appuyer sur un modèle de régression paramétrique qui est susceptible d`être mal spécifié (risque de biais significatif et d`inférence trompeuse) ou faire une certaine forme de réduction des dimensions et de lissage pour négocier des biais et Variance. De nombreuses questions scientifiques impliquent des quantités plus complexes de contre-faits (figure 3), pour lesquelles aucun ensemble de rajustement unique ne sera suffisant et des résultats d`identifiabilité alternatifs sont nécessaires. Les cadres causaux fournissent un outil pour dériver ces résultats, entraînant souvent de nouveaux estimands et suggérant ainsi des analyses statistiques différentes. Exemples: médiation d`effets, 19, 32 – 34 les effets des interventions à plusieurs moments, 2, 18, 41 interventions dynamiques, 17, 18, 42 paramètres causaux et non causaux en présence d`une censure informative ou d`un biais de sélection, 2, 6, 20 et le transport de effets causaux à de nouveaux paramètres. 27, 43 – 45 l`utilisation d`un cadre de causalité formel garantit que les hypothèses nécessaires pour augmenter l`interprétation statistique avec une interprétation causale sont explicites. Par exemple, si nous croyons que la figure 2D ou E représente la véritable structure causale qui a généré nos données, notre estimation de l`équation 2 peut être interprétée comme une estimation de l`effet de traitement moyen. L`utilisation d`un modèle causal et une distinction claire entre les hypothèses fondées sur la commodité et fondées sur la connaissance font clairement comprendre que la valeur réelle d`un estimet peut différer de la valeur réelle de l`effet causal de l`intérêt.

Share

Recent Posts