Biến công cụ và hạn chế loại trừ từ góc độ Hòa giải


8

Tôi gặp khó khăn trong việc hiểu ý nghĩa của việc hạn chế loại trừ trong các biến công cụ.

Tôi hiểu rằng hiệu quả điều trị không thiên vị là , trong đó là kết quả, là điều trị và là công cụ. Nói cách khác, . YSZB=ITTB= =Cov(Y,Z)Cov(S,Z)YSZB= =TôiTTTỷ lệ tuân thủ

Tuy nhiên, nếu tôi nghĩ về điều này trong khuôn khổ hòa giải và áp dụng hạn chế loại trừ, điều này càng ngày càng ít có ý nghĩa.

Trong khung hòa giải, ITT = tổng hiệu ứng hoặc . Vì vậy, hiệu quả điều trị không thiên vị là:Cov(S,Z)Cov(Y,S)+Cov(Y,Z|S)

(Cov(S,Z)Cov(Y,S)+Cov(Y,Z|S))Cov(S,Z) , giảm xuống:

Cov(Y,S)+Cov(Y,Z|S)Cov(S,Z) ,

vì vậy ước tính nguyên nhân không thiên vị là hiệu quả của điều trị sai lệch + hiệu quả của công cụ ( .controtôitôiTôingforthetremộttmentcomptôiTôimộtncermộtte

Tuy nhiên, với các hạn chế loại trừ, sẽ không có hiệu lực của công cụ một khi chúng tôi kiểm soát việc điều trị.

Một ví dụ, từ ví dụ Sesame Street của Gelman. Đầu tiên, đạt được hiệu quả điều trị không thiên vị thông qua 2SLS:

fit.2s <- lm(regular ~ encour, data = df)
watched.hat <- fit.2s$fitted
fit.2b <- lm(postlet ~ watched.hat, data = df)
summary(fit.2b)

đưa ra câu trả lời, 7.934.

Và bây giờ, trong khuôn khổ SEM:

library(foreign)
library(lavaan)
mod  <-
'
regular ~ a*encour
postlet ~ b*regular + c*encour
ind := a*b
total := a*b + c
'
fit <- sem(mod, data = df)
summary(fit)

 Regressions:
               Estimate  Std.Err  Z-value  P(>|z|)
  regular ~                                           
encour     (a)    0.362    0.051    7.134    0.000

  postlet ~                                           
  regular    (b)   13.698    2.079    6.589    0.000
  encour     (c)   -2.089    1.802   -1.160    0.246


  Defined Parameters:
               Estimate  Std.Err  Z-value  P(>|z|)
  ind               4.965    1.026    4.840    0.000
  total             2.876    1.778    1.617    0.106

13.698 - 2.089 / .362 = 7.92

Vì vậy, lý do duy nhất mà hiệu quả điều trị không thiên vị không chỉ là hiệu quả điều trị sai lệch là vẫn có tác dụng của dụng cụ khi kiểm soát điều trị, theo giới hạn loại trừ không nên xảy ra.

Am i thiếu cái gì ở đây?

Câu trả lời:


1

Bạn nêu chính xác rằng theo các giả định IV kiểu LATE với tác động nguyên nhân của IV Z đối với điều trị S, dụng cụ ngoại sinh và không ảnh hưởng trực tiếp đến kết quả Y, hiệu quả điều trị B của S đối với Y được xác định là

Cov(Y,Z)/Cov(S,Z)= =TôiTT/ComptôiTôimộtnceRmộtte

Rõ ràng

TôiTT= =Cov(Y,Z)

Cov(S,Z)Cov(Y,S)+Cov(Y,Z)

Bạn dường như còn ngụ ý rằng IV và Y không liên quan đến hồi quy của Y về điều trị và IV. Đây không phải là trường hợp nếu điều trị S thực sự là nội sinh. Sau đó, nó là một máy va chạm, vì nó được gây ra bởi IV và thời hạn lỗi không quan sát được của Y. Điều hòa trong điều trị làm cho IV và thuật ngữ lỗi phụ thuộc, và do đó IV và Y. Vì vậy, bạn nhận được một giá trị khác không hệ số hồi quy ngay cả khi hạn chế loại trừ là hợp lệ. Điều này sẽ rất rõ ràng nếu bạn vẽ biểu đồ nhân quả.

Nếu không phải như vậy, chúng tôi thực sự có thể kiểm tra hạn chế loại trừ, nhưng tất nhiên chúng tôi biết rằng chúng tôi thường không thể kiểm tra nó! (Ít nhất là không dễ dàng như vậy).


Tôi đã thêm một chỉnh sửa để làm rõ, nhưng từ góc độ hòa giải, ITT (Cov (S, Z) Cov (Y, S) + Cov (Y, Z | S)) / Cov (S, Z). Điều này có thể kiểm chứng với ví dụ của Gelman: coef (tóm tắt (lm (postlet ~ encour, data = df))) ['encour',] ['Ước tính'] = 2.88. Từ đầu ra SEM, (Cov (S, Z) Cov (Y, S) + Cov (Y, Z | S)) / Cov (S, Z) = 2.88 (ước tính bên cạnh tổng, là một * b + c)
sam

Vậy thì làm sao có thể đúng là Cov (Y, Z) / Cov (S, Z) = ITT / Tuân thủ? Phương trình của bạn cho ITT và công thức IV không thể đúng cùng một lúc. Với các hạn chế loại trừ, công thức của bạn là không đúng sự thật.
Julian Schuessler

1
Cũng lưu ý rằng "từ góc độ hòa giải", ITT là đại lượng nhân quả, do đó cần phải được xác định trong các kết quả tiềm năng hoặc với nhà điều hành do, không phải là một chức năng của PDF có thể quan sát được. Vì vậy, ITT được định nghĩa là E (Y | do (Z)), ví dụ. Xem en.wikipedia.org/wiki/ .
Julian Schuessler

Vì Cov (Y, Z) có thể bị phân hủy thành (Cov (S, Z) Cov (Y, S) + Cov (Y, Z | S)). Có lẽ tôi đang thiếu một cái gì đó ở đây, nhưng đó là quan điểm của tôi: xác định tác động nhân quả phụ thuộc vào hạn chế loại trừ là sai, hoặc có vẻ như vậy.
sam

Tôi đã chỉnh sửa câu trả lời của mình. Tôi vẫn chưa hoàn toàn hiểu sự nhầm lẫn của bạn. Bạn có thể thấy nó rất sáng khi đọc Pearl, Judea. "Các mô hình tuyến tính: Một kính hiển vi hữu ích của người dùng để phân tích nguyên nhân." Các công cụ trong đó cực kỳ dễ dàng và làm cho nó rõ ràng vấn đề này đơn giản như thế nào.
Julian Schuessler
Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.