Zmienna zakłócająca
![Ilustracja przedstawia graf zawierający przyczynę, skutek, mediator, zmienną zakłócającą i collider.](http://upload.wikimedia.org/wikipedia/commons/thumb/7/7f/Judea_Pearl_graph_style_illustration_of_variable_types_relevant_for_omitted_variable_bias.svg/220px-Judea_Pearl_graph_style_illustration_of_variable_types_relevant_for_omitted_variable_bias.svg.png)
Zmienna zakłócająca (ang. confounder, także: czynnik zakłócający) – zewnętrzny czynnik wpleciony w badany związek przyczynowo-skutkowy, który wpływając zarówno na zmienną objaśniającą i zmienną objaśnianą, zmienia ich obserwowaną współzmienność (prawdopodobieństwo warunkowe), w skrajnym przypadku tworząc całkowicie pozorną korelację.
Przykładowo, w ilustracyjnej symulacji Ioannidisa i in. zależnie od czynników uwzględnionych w modelu wpływ spożycia witaminy E na śmiertelność może być estymowany zarówno jako silnie pozytywny i silnie negatywny[1].
Jest to zagadnienie leżące w dziedzinie wnioskowania przyczynowego, i jako takie, nie da się go opisać wyłącznie w języku korelacji statystycznych. W języku modelu przyczynowego Pearla, zmienne zakłócające należy starannie odróżniać od mediatorów i koliderów, ponieważ w ich przypadku kontrolowane statystycznie jest – inaczej niż przy zmiennych zakłócających – niewłaściwe, i to ono wprowadza do oszacowania błąd (nieprzyczynowe prawdopodobieństwo warunkowe)[2][3].
Zmienna zakłócająca może być na przykład ważnym czynnikiem ryzyka lub łagodzenia danego zjawiska. Jeśli jest przeoczona i nierówno rozłożona w grupie eksperymentalnej i porównawczej, zakłóca oszacowanie prawdziwego bezpośredniego związku badanych zmiennych. Wynikający z tego błąd m.in. w ekonometrii nazywa się problemem pominiętych zmiennych.
Prawidłowa ocena wielkości efektu przyczynowego jest możliwa poprzez kontrolowanie występowania zmiennych zakłócających, na przykład poprzez staranne modelowanie przyczynowe, zaplanowanie odpowiednich badań (randomizację, parowanie, restrykcję), i odpowiednią analizę statystyczną (parowanie, stratyfikację, standaryzację, modelowanie statystyczne).
Przypisy
- ↑ Chirag J. Patel , Belinda Burford , John P.A Ioannidis , Assessment of vibration of effects due to model specification can demonstrate the instability of observational associations, „Journal of clinical epidemiology”, 68 (9), 2015, s. 1046–1058, DOI: 10.1016/j.jclinepi.2015.05.029, ISSN 0895-4356, PMID: 26279400, PMCID: PMC4555355 [dostęp 2019-03-30] .
- ↑ 4. Confounding and Deconfounding: Or, Slaying the Lurking Variable, [w:] Judea Pearl, Dana Mackenzie , The book of why: the new science of cause and effect, wyd. First edition, New York, NY 2018, ISBN 978-0-465-09760-9, OCLC 1003311466 [dostęp 2019-03-11] .
- ↑ Judea Pearl , James M. Robins , Sander Greenland , Confounding and Collapsibility in Causal Inference, „Statistical Science”, 14 (1), 1999, s. 29–46, DOI: 10.1214/ss/1009211805, ISSN 0883-4237 [dostęp 2019-03-11] (ang.).
Bibliografia
- Zmienna zakłócająca, zdrowiepolakow.pl [dostęp 2010-08-24] .
Media użyte na tej stronie
Autor: Jaszczuroczłek, Licencja: CC BY-SA 4.0
Illustration of a causal system containing a mediator, confounder and collider.
Reproducible code in the DOT language:
digraph {
splines = false; ratio = 1; X,Y [style=filled, color=black, fontcolor=white];
X -> Y [style=bold] // IV & DV / objaśniająca i objaśniana
Z -> {X Y} // confounder / zakłócająca
X -> M -> Y [minlen=1] // mediator
K -> {X Y} [minlen=2, dir=back] // collider / kolider
{rank = same; X; Y;}
}
Command line processed with:
dot test.gv -Tsvg > test.svg