Làm thế nào bạn sẽ mô tả giả định vô căn cứ / thiếu hiểu biết cho một người chưa nghiên cứu RCM?
Về trực giác với ai đó không thành thạo suy luận nguyên nhân, tôi nghĩ đây là nơi bạn có thể sử dụng biểu đồ. Họ trực quan theo nghĩa là họ thể hiện "dòng chảy" một cách trực quan và họ cũng sẽ làm rõ ý nghĩa thực sự của sự thiếu hiểu biết trong thế giới thực.
Sự thiếu hiểu biết có điều kiện tương đương với yêu cầu thỏa mãn tiêu chí cửa sau. Vì vậy, theo thuật ngữ trực quan, bạn có thể nói với người đó rằng các đồng biến bạn đã chọn cho "chặn" tác động của các nguyên nhân phổ biến của và (và không mở bất kỳ liên kết giả nào khác).XXTY
Nếu các biến gây nhiễu duy nhất có thể hiểu được của vấn đề của bạn là các biến trên chính , thì đây là chuyện nhỏ để giải thích. Bạn chỉ cần nói rằng vì contais tất cả các nguyên nhân phổ biến của cả và , đó là tất cả những gì bạn cần kiểm soát. Vì vậy, bạn có thể nói với cô ấy đó là cách bạn nhìn thế giới:XXTY
Trường hợp thú vị hơn là khi có thể có những kẻ gây nhiễu đáng tin cậy khác ngoài kia. Cho cụ thể hơn, bạn thậm chí có thể yêu người đó đến tên một confounder tiềm năng của vấn đề của bạn - có nghĩa là, hỏi cô ấy để đặt tên cho một cái gì đó khiến cả và , nhưng nó không có trong .TYX
Nói tên người một biến . Sau đó, bạn có thể nói với người đó rằng những gì ignorability giả định điều kiện của bạn một cách hiệu quả có nghĩa là bạn nghĩ rằng sẽ "khối" ảnh hưởng của trên và / hoặc . ZXZTY
Và bạn nên cho cô ấy một lý do thực sự tại sao bạn nghĩ đó là sự thật. Có nhiều biểu đồ có thể biểu thị điều đó, nhưng nói rằng bạn đưa ra lời giải thích này: " sẽ không làm sai lệch kết quả vì mặc dù gây ra và , nhưng ảnh hưởng của nó đối với chỉ thông qua , mà chúng ta đang kiểm soát". ZZTYTXVà sau đó hiển thị biểu đồ này:
Và bạn có thể nghĩ về những người đồng sáng lập khác và cho cô ấy thấy đang chặn chúng một cách trực quan trên biểu đồ.X
Bây giờ trả lời các câu hỏi khái niệm:
Cụ thể, nếu T là điều trị, không nên kết quả tiềm năng phụ thuộc rất nhiều vào nó? Đồng thời, nếu chúng tôi có một thử nghiệm ngẫu nhiên có kiểm soát, thì tự động ,. Tại sao điều này đúng?
Không. Hãy nghĩ về như sự phân công điều trị. Những gì nó nói là bạn đang chỉ định điều trị cho những người "phớt lờ" cách họ đáp ứng với điều trị (kết quả tiềm năng phản tác dụng). Một vi phạm đơn giản về điều này sẽ là bạn có xu hướng đưa ra cách đối xử với những người có khả năng hưởng lợi nhiều nhất từ nó.T
Đó cũng là lý do tại sao điều này tự động giữ khi bạn chọn ngẫu nhiên. Nếu bạn chọn điều trị ngẫu nhiên, điều này có nghĩa là bạn đã không kiểm tra phản ứng tiềm năng của họ đối với việc điều trị để chọn họ.
Để bổ sung cho câu trả lời, đáng chú ý rằng việc hiểu sự thiếu hiểu biết mà không nói về quá trình nguyên nhân, nghĩa là, không cần gọi các phương trình cấu trúc / mô hình đồ họa thực sự khó khăn. Hầu hết thời gian bạn thấy các nhà nghiên cứu lôi cuốn ý tưởng về "việc điều trị là ngẫu nhiên" nhưng không giải thích được tại sao đó là lý do tại sao điều đó hợp lý khi sử dụng các cơ chế và quy trình trong thế giới thực.
Trên thực tế, nhiều nhà nghiên cứu chỉ đơn giản cho rằng sự thiếu hiểu biết để thuận tiện, nhằm biện minh cho việc sử dụng các phương pháp thống kê. Đoạn văn này từ bài báo của Joffe, Yang và Feldman nói lên một sự thật bất tiện mà hầu hết mọi người đều biết nhưng không nói trong các bài thuyết trình hội thảo: "Các giả định không biết gì thường được đưa ra bởi vì họ biện minh cho việc sử dụng các phương pháp thống kê có sẵn, và không phải vì nó thực sự được tin tưởng."
Nhưng, như tôi đã nói ở phần đầu của câu trả lời, bạn có thể sử dụng các biểu đồ để tranh luận về việc liệu chỉ định điều trị có bị bỏ qua hay không. Mặc dù khái niệm về sự thiếu hiểu biết rất khó nắm bắt, bởi vì nó đưa ra các phán đoán về đại lượng chính xác, trong các biểu đồ về cơ bản bạn đang đưa ra các tuyên bố định tính về các quá trình nguyên nhân (biến này gây ra biến đó, v.v.), rất dễ giải thích và hấp dẫn trực quan.
Như đã đề cập trong câu trả lời trước, có một sự tương đương chính thức giữa các biểu đồ và kết quả tiềm năng . Do đó, bạn cũng có thể đọc kết quả tiềm năng từ biểu đồ. Làm cho kết nối này trở nên chính thức hơn (để biết thêm về Nhân quả của Pearl, tr.343), bạn có thể sử dụng định nghĩa sau: các kết quả tiềm năng sẽ đại diện cho tổng số tất cả các biến (quan sát và thuật ngữ lỗi) ảnh hưởng đến Y khi T không đổi .
Sau đó, thật dễ dàng để biết lý do tại sao sự thiếu hiểu biết giữ trong RCT, nhưng quan trọng hơn, nó cũng cho phép bạn dễ dàng phát hiện ra các tình huống mà sự thiếu hiểu biết sẽ không giữ được. Ví dụ: trong biểu đồ , T là không thể biết được, nhưng T không thể bỏ qua điều kiện X, bởi vì một khi bạn có điều kiện trên X, bạn mở một đường dẫn va chạm từ thuật ngữ lỗi của X đến T.T→X→Y
Tóm lại, nhiều nhà nghiên cứu đưa ra giả định không biết gì theo mặc định, để thuận tiện. Đó là một cách thuận tiện để giả định sự đầy đủ của một bộ điều khiển mà không cần phải chính thức biện minh tại sao lại như vậy, nhưng để giải thích ý nghĩa của nó trong bối cảnh thực sự đối với một giáo dân, bạn sẽ cần phải đưa ra một câu chuyện nhân quả, đó là giả định nguyên nhân và bạn có thể chính thức kể câu chuyện đó với sự trợ giúp của đồ thị nhân quả.