بیشتر (تعدیل) همیشه بهتر نیست: چگونه نمودارهای اسکلی به کارگردانی می توانند به محققان کمک کنند تا تصمیم بگیرند که متغیرهای متغیرهای متغیرهای متغیر را در مدل های علت و معلولی بین قرار گرفتن در معرض و نتیجه در تحقیقات مشاهده ای قرار دهند

هنگام ساختن یک مدل برای نتیجه مورد علاقه (به عنوان مثال ، یک مدل رگرسیون خطی) ، انتخاب متغیرهای متغیر که باید در آن گنجانده شود ، تا حدودی به اهداف محقق بستگی دارد.(اگرچه اصطلاح همبستگی به طور متفاوتی تعریف شده است ، در اینجا ما به سادگی از متغیرهای متغیر استفاده می کنیم تا به یک متغیر توضیحی که در یک مدل رگرسیون موجود است ، مراجعه کنیم که متغیر توضیحی از علاقه نیست ، یعنی قرار گرفتن در معرض.) اگر هدف ساخت یک مدل پیش بینی کننده باشد[1] ، انتخاب متغیرهای متغیر بر بهبود پیش بینی های مدل و در عین حال محدود کردن بیش از حد ، تمرکز دارد ، که زمانی اتفاق می افتد که یک مدل بسیار پیچیده پیش بینی هایی را ارائه می دهد که بسیار خاص برای یک مجموعه داده خاص است و باعث کاهش تعمیم آن می شود [2 ، 3]. از طرف دیگر ، ممکن است هدف ساخت یک مدل علی باشد [1].(توجه داشته باشید که جدول 1 حاوی یک واژه نامه با تعاریف برای تمام اصطلاحات کلیدی است ، که به صورت مجزا هستند.) به عنوان مثال ، ممکن است یک مدل علی ایجاد کند تا بتواند میانگین اثر علی یک قرار گرفتن در معرض یک نتیجه را تعیین کند. میانگین اثر علی را می توان به عنوان میانگین اختلاف نتیجه در نتیجه هر فرد در جمعیت در معرض دید قرار داد ، در مقایسه با اگر کسی قرار گرفتن در معرض را تجربه نکرده باشد [4]. به عنوان یک تصویر برای این تفسیر ، ما یک الگوی علیت از تأثیر تولد زودرس در معرض قرار گرفتن در معرض اختلال توجه کمبود/بیش فعالی (ADHD) در دوران کودکی را در نظر خواهیم گرفت. از آنجا که این مثال صرفاً برای اهداف مصور ارائه می شود ، ما عمداً آن را ساده کرده ایم و مشکلات روش شناختی را نادیده گرفته ایم که می تواند یک تحقیق در دنیای واقعی از این موضوع را پیچیده کند (به عنوان مثال ، سوء استفاده از شکل عملکردی متغیرها ، خطای اندازه گیری و حضور متجاوزان بی اندازه)بشر

میز 1.

واژه نامه اصطلاحات کلیدی

با استفاده از مدلهای علّی ، هدف بدست آوردن کمترین مغرضانه برآورد ممکن از میانگین اثر علی است ، جایی که از اصطلاح "تعصب" به معنای هرگونه انحراف از یک اندازه گیری دقیق استفاده می شود [5]. بنابراین ، انتخاب متغیر باید بر از بین بردن یا کاهش تعصب متمرکز شود. یک نوع تعصب زمانی اتفاق می افتد که اثر علّی تخمین زده شده نه تنها رابطه علی بین قرار گرفتن در معرض و نتیجه بلکه روابط دیگر بین قرار گرفتن در معرض و نتیجه را منعکس می کند ، همانطور که به طور معمول در مطالعات مشاهده ای اتفاق می افتد [7]. در مثال ما ، ارتباط غیر قابل تنظیم بین زایمان زودرس و ADHD ممکن است یک تخمین مغرضانه از اثر علی علاقه باشد اگر متغیرهای دیگری وجود داشته باشد که تولد زودرس و ADHD را پیوند می دهند ، جدا از متغیرهای میانی که واسطه اثر علی قرار گرفتن در معرض بر نتیجه (نتیجه قرار می گیرند ((یعنی متغیرهای موجود در مسیر علّی بین زایمان زودرس و ADHD).

هنگام انتخاب متغیرهای متغیر ، محققان ممکن است متغیرهای خاصی را در بر بگیرند زیرا آنها معتقدند که آنها به عنوان یک مخزن بالقوه (یعنی دلایل مشترک قرار گرفتن در معرض و نتیجه) هستند که اگر در مدل گنجانده نشود ، منجر به برآورد مغرضانه از میانگین اثر علیت می شود. به عنوان مثال ، محققان ممکن است برای سیگار کشیدن مادران در دوران بارداری تنظیم کنند زیرا معتقدند که این امر در تولد زودرس و ADHD تأثیر علی دارد. اگر اینگونه باشد ، برآوردهای غیر قابل تنظیم از ارتباط بین زایمان زودرس و ADHD مغرضانه خواهد بود ، زیرا این تخمین ها نه تنها به دلیل تأثیر علّی تولد زودرس بر ADHD ، بلکه به دلیل تأثیرات متداول در ارتباط می شوند. سیگار کشیدن مادران در دوران بارداری در معرض قرار گرفتن در معرض و نتیجه. علاوه بر این ، محققان در بعضی مواقع تصمیم می گیرند که متغیرهای متغیر خاصی را در بر بگیرند زیرا تحقیقات موجود آنها را به عنوان عوامل خطر برای نتیجه یا همبستگی قرار گرفتن در معرض معرفی کرده است. با این حال ، تنظیم متغیرهای متغیر می تواند در شرایط خاص با معرفی تعصب جدید در برآورد اثر علی ، آسیب بیشتری به خوبی انجام دهد [8 ، 9].

برای بررسی خطرات احتمالی تنظیم متغیرهای متغیر ، ما مقدمه ای را برای نمودارهای علّی علّی حرکتی (DAG) ارائه می دهیم. DAG های علی می توانند با ارائه یک روش ساده برای تجسم فرضیات در مورد روابط آماری بین قرار گرفتن در معرض ، نتیجه و متغیرهای مورد نظر ، چگونگی تعدیل یک متغیرهای مشخص را تحت تأثیر قرار دهند. ما استفاده از آنها را با مثال تولد زودرس و ADHD نشان می دهیم.

مقدمه ای برای DAGS

توسعه و استفاده از DAG برای روشن شدن مدلهای علی در تحقیقات اپیدمیولوژیک در جای دیگر شرح داده شده است [10-12]. DAG های علی نوعی نمودار علّی متشکل از گره ها هستند که متغیرها را نشان می دهند و لبه های کارگردانی (یعنی فلش) ، که نشان دهنده روابط علی بین متغیرها است. به عنوان نمونه ، شکل 1 را ببینید ، که یک DAG را برای یک مدل علی ساده برای تولد زودرس و ADHD ارائه می دهد ، که ما در بخش بعدی با جزئیات در نظر می گیریم. یک فلش روی DAG دلالت بر این ندارد که قطعاً بین 2 متغیر رابطه علّی وجود دارد ، بلکه فقط ممکن است رابطه ای بین آنها وجود داشته باشد. در مقابل ، عدم وجود فلش بین 2 متغیر دلالت بر این دارد که محقق مسلم است که یک متغیر باعث دیگری نمی شود. این نمودارها دارای حرکتی هستند ، به این معنی که اگر کسی از جهت فلش روی یک DAG پیروی کند ، هیچ مسیری از متغیر به سمت خود باز نمی گردد.

عکس. 1.

نمونه ای از DAG برای تأثیر علّی تولد زودرس کودک بر کودک ADHD. متغیرها توسط گره ها روی DAG نشان داده می شوند. روابط علّی فرض شده بین متغیرها توسط لبه های کارگردانی (یعنی فلش) بین گره ها نشان داده شده است. به طور معمول ، متغیرها بعداً از نظر ترتیب زمانی دورتر از سمت راست ظاهر می شوند.

محققان می توانند چندین قانون گرافیکی را برای DAG ها اعمال کنند تا تصمیم بگیرند که در صورت وجود کدام متغیرهای کمکی را در مدل علّی لحاظ کنند (شکل 2). این قوانین به مسیرهای بین متغیرهای نشان داده شده در نمودار مربوط می شود. یک مسیر ارتباط بین 2 متغیر در یک DAG از طریق یک دنباله خاص از فلش ها است. توجه داشته باشید که وجود یک مسیر از طریق یک سری از متغیرها مستقل از جهت فلش های درگیر در مسیر است و به هیچ نوع ارتباط خاصی بین آن متغیرها دلالت نمی کند. به عبارت دیگر، یک مسیر نیازی به پیروی از جهت فلش های درگیر ندارد (به عنوان مثال، در شکل 1، مسیری بین زایمان زودرس و ADHD وجود دارد که از طریق سیگار کشیدن مادر در دوران بارداری می گذرد). با این حال، جهت فلش ها بر باز یا مسدود بودن مسیر تأثیر می گذارد. یک مسیر باز را می توان به عنوان مسیری در نظر گرفت که در آن می توان بدون مانع حرکت کرد، به این معنا که در هیچ یک از گره های بین نقاط پایانی با بلوک هایی مواجه نمی شویم. تعیین اینکه آیا یک مسیر در یک گره خاص مسدود شده است یا خیر، مستلزم اعمال چندین قانون است که در پاراگراف زیر توضیح داده شده است. نکته قابل توجه، مسیرهای باز دلالت بر ارتباط آماری بین متغیرهای نقطه پایانی دارند، در حالی که مسیرهای مسدود به معنای عدم وجود ارتباط است. اگر مسیری باز باشد، به ارتباط تخمینی بین متغیرها در دو انتهای مسیر کمک خواهد کرد. بنابراین، جدای از مسیرهایی که نشان دهنده اثر علی علاقه هستند (به عنوان مثال، مسیرهای تولد زودرس تا ADHD)، همه مسیرهای دیگر بین قرار گرفتن در معرض و نتیجه در حالت ایده آل مسدود خواهند شد. در غیر این صورت، تخمین حاصل از میانگین اثر علّی سوگیری خواهد داشت، اگرچه میزان این سوگیری بسته به قدرت و ماهیت روابط علّی نشان داده شده در مسیرهای باز دیگر، همانطور که در بخش زیر نشان می دهیم، متفاوت خواهد بود. البته ممکن است تمام مسیرهای باز دیگر بین قرار گرفتن در معرض و نتیجه دقیقاً یکدیگر را خنثی کنند، به این معنی که سوگیری خالص ناشی از سایر مسیرهای باز پوچ خواهد بود. با این حال، چنین تعادلی از نظر تجربی غیر قابل آزمایش است و بعید به نظر می رسد که در عمل رخ دهد.

شکل 2.

قوانین گرافیکی برای DAGS. برای اهداف مصور ، فلش آبی نشان دهنده رابطه علاقه (تأثیر علی تولد زودرس کودک بر کودک ADHD) است ، و حرف B نشانگر میانگین تأثیر علی است که می خواهد تخمین بزند. همچنین ، در مثالها ، از قرمز استفاده می شود تا مشخص شود که چقدر می تواند در یک مسیر معین از تولد زودرس کودک به سمت کودک ADHD قبل از مسدود شدن مسیر حرکت کند.

این که آیا یک مسیر باز یا مسدود شده است به روابط بین متغیرهای موجود در آن مسیر بستگی دارد و کدام یک از این متغیرها به عنوان متغیرهای متغیر در مدل علی قرار دارند. در یک مدل ساده و غیر قابل تنظیم ، مسیرهای بین قرار گرفتن در معرض و نتیجه باز است مگر اینکه از طریق یک برخورد (قانون 1) عبور کنند. یک برخورد متغیر است که توسط 2 متغیر مجاور در طول آن مسیر ایجاد می شود ، همانطور که توسط لبه هایی که به سمت متغیر نشان می دهند نشان داده شده است. برای درک اینکه چرا وجود یک برخورد کننده مسیر را مسدود می کند ، فرض کنید که استرس زا مادران در دوران بارداری و مسئولیت ژنتیکی مشترک هر دو باعث سیگار کشیدن مادران در دوران بارداری می شوند ، که به نوبه خود باعث تولد زودرس و ADHD می شود (شکل 1).(توجه داشته باشید که ما از نام متغیر "مسئولیت ژنتیکی مشترک" به عنوان دست کوتاه برای همپوشانی عوامل خطر ژنتیکی برای سیگار کشیدن مادر در دوران بارداری و ADHD کودک استفاده می کنیم. استرس زا ، سیگار کشیدن مادر و مسئولیت ژنتیکی مشترک. به این نوع مسیر به عنوان یک مسیر M شکل گفته می شود (زیرا در شکل نامه M هنگام مشاهده به پهلو در نمودار ما ظاهر می شود). اگرچه استرس زا مادران می توانند بر سیگار کشیدن مادران در دوران بارداری تأثیر بگذارند ، این اثر به مسئولیت ژنتیکی مشترک منتقل نمی شود زیرا دومی یک دلیل و نه تأثیر سیگار کشیدن مادر است. بنابراین ، متغیر سیگار کشیدن مادر این مسیر خاص را مسدود می کند.

نکته قابل توجه ، تنظیم برای یک متغیر می تواند یک مسیر قبلاً باز را مسدود کند یا یک مسیر قبلاً مسدود شده را باز کند ، بسته به روابط بین متغیرهای مورد نظر. به طور خاص ، تنظیم متغیر که یک برخورد کننده در یک مسیر خاص نیست ، آن مسیر را مسدود می کند (قانون 2). به عنوان مثال ، اگر سیگار کشیدن مادر در دوران بارداری باعث زایمان زودرس کودک و ADHD کودک شود ، تنظیم سیگار کشیدن مادر باعث می شود مسیر تولد زودرس تا ADHD که از طریق سیگار کشیدن مادر می گذرد ، مسدود شود و نشان دهنده مخدوش باشد. در این مثال ، تنظیم سیگار کشیدن مادران باعث کاهش تعصب به دلیل مخدوش می شود. با این حال ، تنظیم متغیری که یک برخورد کننده (قانون 3) یا فرزندان آن (قانون 4) مسیری را که قبلاً توسط آن برخورد کننده مسدود شده بود باز می کند. برای نشان دادن این موضوع ، اجازه دهید به مثال سیگار کشیدن مادران برگردیم. از آنجا که این یک برخورد در مسیر فوق الذکر M شکل بین زایمان زودرس و ADHD است ، آن مسیر بدون تنظیم سیگار کشیدن مادر در مدل علی مسدود می شود (قانون 1). در حقیقت ، تنظیم برای استعمال دخانیات در واقع باعث ایجاد رابطه بین مسئولیت ژنتیکی مشترک و استرس زا مادر می شود ، در نتیجه مسیر M شکل بین زایمان زودرس و ADHD و معرفی تعصب را در برآورد اثر علیت متوسط باز می کند. این تعصب می تواند مثبت یا منفی باشد و از آن به عنوان تعصب طبقه بندی برخورد (اصطلاح عمومی تر) یا M-Bias (یک نوع خاص از تعصب طبقه بندی برخورد که رخ می دهد ، که به عنوان مثال ، هنگام تنظیم یک متغیر متغیر که یک علت مشترک با آن را به اشتراک می گذارد ، نامیده می شود. قرار گرفتن در معرض و یک دلیل مشترک دیگر با نتیجه) [8]. برای درک اینکه چگونه تنظیم یک برخورد کننده تعصب را معرفی می کند ، به یاد بیاورید که تنظیم یک متغیر برای ثابت نگه داشتن آن. در سطح مداوم سیگار کشیدن مادران ، دانستن استرس زا مادر چیزی در مورد مسئولیت ژنتیکی مشترک آنها به شما می گوید ، زیرا سیگار کشیدن مادر تابعی از مسئولیت ژنتیکی مشترک و استرس زا مادر است. در این مثال ، تنظیم سیگار کشیدن مادر هر دو باعث کاهش تعصب می شود (با مسدود کردن مسیر از طریق سیگار کشیدن مادر که نشان دهنده مخدوش است) و تعصب را معرفی می کند (با باز کردن مسیر M شکل از طریق سیگار کشیدن).

برای از بین بردن تعصب به دلیل سایر مسیرهای باز بین قرار گرفتن در معرض و نتیجه ، محقق باید مجموعه ای از متغیرهای متغیر را به گونه ای انتخاب کند که تمام مسیرهای بین قرار گرفتن در معرض و نتیجه مسدود شود ، به جز مسیری که نشان دهنده تأثیر علیت علاقه است. البته ، در برخی شرایط (به عنوان مثال ، اگر قرار گرفتن در معرض به طور تصادفی اختصاص یابد) ، هیچ تعدیل لازم نیست زیرا دیگر هیچ مسیری وجود ندارد که لبه هایی را به سمت قرار گیرد ، زیرا تنها علت قرار گرفتن در معرض روند تصادفی است. از طرف دیگر ، در شرایط دیگر ، حتی اگر هر متغیر اندازه گیری شود ، هیچ مجموعه ای از متغیرهای متغیر وجود ندارد که بتواند تمام مسیرهای دیگر را مسدود کند. این نوع موقعیت ها با استفاده از روشهای پیچیده تر تخمین [13 ، 14] ، که به فرضیات مشابه خود نیاز دارند ، نیاز دارند. این روشهای پیچیده همچنین می تواند در شرایطی مفید باشد که مجموعه ای از متغیرهای متغیر وجود داشته باشد که تمام مسیرهای دیگر را مسدود می کند ، اما برخی یا تمام متغیرهای موجود در آن مجموعه اندازه گیری نشده اند [15].

نمونه مصور

اکنون ما به نمونه تولد زودرس و ADHD باز می گردیم. با استفاده از پیشینه ، تأثیر بالقوه تولد زودرس بر ADHD مورد توجه محققان قرار گرفته است [16-20]. بیشتر مطالعات ارتباط مثبت بین 2 متغیر را ثبت کرده اند و مکانیسم های مختلف علّی ارائه شده است [21 ، 22]. با این حال ، تفسیر این یافته ها با انتخاب متغیرهای متغیرهای محققان پیچیده است ، زیرا تنظیم متغیرهای اضافی در مدل علی می تواند بسته به رابطه واقعی آن متغیرها با تولد زودرس و ADHD ، تعصب را معرفی کند. همانطور که در بالا ذکر شد ، محققان غالباً تصمیم می گیرند که متغیرهای خاصی را در بر بگیرند زیرا معتقدند ممکن است رابطه قرار گرفتن در معرض نتیجه را گیج کنند. به عنوان مثال ، استعمال دخانیات مادر در دوران بارداری یک مخدوش بالقوه در نظر گرفته شده است [16] ، که منجر به درج آن به عنوان یک همبستگی در مدل های مورد استفاده برای بررسی رابطه بین زایمان زودرس و ADHD می شود [17 ، 18 ، 20]. با این حال ، اگرچه بین سیگار کشیدن مادر در دوران بارداری و ADHD کودک ارتباط مداوم وجود دارد [23] ، سیگار کشیدن مادران لزوماً دلیل ADHD نیست. در عوض ، این ارتباط ممکن است یک علت مشترک مانند یک مسئولیت ژنتیکی مشترک را منعکس کند [24].

از آنجا که مثال ما برای اهداف آموزشی در نظر گرفته شده است ، ما چندین فرض ساده را معرفی می کنیم ، با این فرض که سازه های مربوطه (به عنوان مثال ، ADHD در دوران کودکی و سیگار کشیدن مادر) را می توان با متغیرهای منفرد اندازه گیری کرد. از نظر انتقادی ، فرض می کنیم که DAG که در شکل 1 به تصویر کشیده شده است شامل تمام مسیرهای بین زایمان زودرس و ADHD ، از جمله مسیرهایی است که در دوران بارداری از سیگار کشیدن مادران عبور می کنند (یک مخدوش بالقوه). ما همچنین فرض می کنیم که استرس زا مادران در دوران بارداری و مسئولیت ژنتیکی مشترک در مطالعه اندازه گیری نشده است ، و بنابراین امکان پذیر نیست که آنها را به عنوان متغیرهای متغیر بگنجانیم. ما می دانیم که ، در عمل ، این فرضیات بعید است که برآورده شوند ، و بنابراین مثال ما به عنوان یک تجزیه و تحلیل معتبر از اثرات علیت واقعی در نظر گرفته نمی شود.

DAG در شکل 1 ، که نشان دهنده روابط علّی فرض شده بین متغیرهای درگیر است ، چندین مسیر را نشان می دهد که سیگار کشیدن مادر می تواند مربوط به تولد زودرس و ADHD باشد. یکی از این راهها به عنوان یک مخدوش ، یعنی علت تولد زودرس و ADHD است. با این حال ، سیگار کشیدن مادر همچنین می تواند مربوط به قرار گرفتن در معرض و نتیجه از طریق دلایل مشترک باشد (به عنوان مثال ، استرس زا مادران در دوران بارداری و به ترتیب مسئولیت ژنتیکی مشترک). بسته به اینکه کدام یک از این مسیرها وجود دارد ، از جمله سیگار کشیدن مادر به عنوان یک متغیر متغیر (یعنی در مدل علی برای تأثیر تولد زودرس بر ADHD) می تواند تعصب را افزایش دهد ، تعصب را کاهش دهد یا هر دو.

با استفاده از قوانین گرافیکی ارائه شده در شکل 2 به این سؤال که چگونه می توان سیگار کشیدن را اداره کرد ، می بینیم که بدون تنظیم سیگار کشیدن مادر ، 3 مسیر باز بین زایمان زودرس و ADHD جدا از مسیری که نشان دهنده اثر علیت تولد زودرس است وجود دارد. در ADHDاین مسیرهای باز دیگر بین زایمان زودرس و ADHD ، که نشان دهنده مخدوش کننده است ، شامل مسیری است که فقط از طریق سیگار کشیدن مادران می گذرد ، مسیری که هم از طریق عوامل استرس زا مادر و هم در سیگار کشیدن مادران می گذرد ، و مسیری که هم از طریق سیگار کشیدن مادر و هم با مسئولیت ژنتیکی مشترک است. با توجه به این مسیرهای باز از طریق استعمال دخانیات ، می توان انتظار داشت که برآوردهای غیر قابل تنظیم از میانگین اثر علی (تولد زودرس در ADHD) مغرضانه باشد. از جمله سیگار کشیدن مادران به عنوان یک متغیر در مدل علی ما ، این مسیرها را مسدود می کند و این منابع خاص تعصب را از بین می برد. با این حال ، تنظیم برای استعمال دخانیات مادر نیز همانطور که در بالا ذکر شد ، تعصب طبقه بندی Collider را نیز معرفی می کند. این اتفاق می افتد زیرا سیگار کشیدن مادران یک برخورد در مسیر M شکل است که تولد زودرس و ADHD را از طریق استرس زا مادران ، سیگار کشیدن مادر و مسئولیت ژنتیکی به اشتراک می گذارد.

این که آیا مسدود کردن 3 مسیر قبلاً باز یا باز کردن 1 مسیر مسدود شده قبلی ، تعصب بیشتری را نشان می دهد ، بستگی به نقاط قوت رابطه بین متغیرهای این مسیرها از طریق سیگار کشیدن مادران دارد. برای نشان دادن این نکته ، ما شبیه سازی هایی را برای 2 سناریو انجام دادیم که در آن نقاط قوت این روابط به طور قابل توجهی متفاوت است (توجه داشته باشید که مقادیر منتخب پارامترها بر اساس شواهد تجربی واقعی از ادبیات نبوده بلکه برای نشان دادن سناریوها برای اهداف آموزشی انتخاب شده اند). در این شبیه سازی ها ، ما چندین فرضیه ساده تر را انجام می دهیم ، از جمله فرضیاتی که مدل های موجود در شبیه سازی های ما به درستی مشخص شده اند و پیش بینی کننده ها (به عنوان مثال ، تولد زودرس) می توانند بدون خطا اندازه گیری شوند. در واقعیت ، نقض این فرضیات ممکن است منابع اضافی تعصب را نشان دهد.

تمام شبیه سازی ها با استفاده از R برای Mac OS X نسخه 3. 4. 4 [25] انجام شد.(مراجعه کنید به صورت آنلاین. پیوست A برای کد ؛ به www. karger.com/doi/10. 1159/000517104 برای همه مواد آنلاین مراجعه کنید. به ترتیب در شکل 3a و b نشان داده شده است. به طور خاص ، مجموعه داده ها با فرض عادی بودن برای هر متغیر برونزا و فرضیات استاندارد رگرسیون خطی (خطی بودن ، مشاهدات مستقل ، همجنسگرا و عادی بودن خطاها) برای توزیع مشروط هر متغیر درون زا تولید می شوند. علاوه بر این ، در مدلهای مورد استفاده برای تولید داده ها ، میانگین متغیرهای اگزوژن برابر با 0 تنظیم شده است ، ضرایب مدلهای رگرسیون خطی (که برای تولید متغیرهای درون زا استفاده می شود) برابر با مقادیر عددی ظاهر شده در کنار لبه های مربوطه تنظیم شده است. در شکل 3A (سناریوی اول) یا شکل 3B (سناریوی دوم) ، و واریانس همه متغیرها برابر با 1 تنظیم شد.

شکل 3.

دو سناریو برای چگونگی مربوط به سیگار کشیدن مادر در دوران بارداری با تولد زودرس کودک و ADHD کودک. این یک روش استاندارد نیست که مقادیر عددی مربوط به مسیرها را شامل شود. با این حال ، ما این کار را در A و B برای اهداف مصور انجام می دهیم ، تا قدرت متفاوت روابط به تصویر کشیده شده در 2 سناریو متضاد را برجسته کنیم. بزرگی مقدار ظاهر شده در کنار یک لبه ، قدرت رابطه (کارگردانی) بین 2 متغیر متصل شده توسط لبه در مدل مورد استفاده برای تولید داده های شبیه سازی شده سازگار با DAG را منعکس می کند.

در سناریوی اول ما بررسی می کنیم (شکل 3A) ، سیگار کشیدن مادران در دوران بارداری تأثیرات شدیدی بر تولد زودرس و ADHD دارد ، که منعکس کننده سناریویی است که در آن سیگار کشیدن مادر رابطه بین این دو را گیج می کند. علاوه بر این ، در این سناریو ، علل شایع اندازه گیری نشده (به عنوان مثال ، استرس زا مادران در بارداری و مسئولیت ژنتیکی مشترک) به ترتیب اثرات کمتری در سیگار کشیدن مادران و تولد زودرس و سیگار کشیدن مادران و ADHD دارند. در این سناریو ، برآورد غیرقابل تنظیم (یعنی 0. 23) از ضریب تولد زودرس (به عنوان مثال ، در یک مدل رگرسیون خطی برای ADHD متناسب با داده های شبیه سازی شده) به شدت از مقدار واقعی (= 0. 14) مغرضانه است ، در حالی که تخمینتنظیم شده برای سیگار کشیدن مادر (یعنی ، 0. 14) به طور مؤثر بی طرفانه است. این در تضاد با سناریوی دوم (شکل 3B) است ، جایی که استعمال دخانیات مادری بسیار ضعیف از رابطه بین زایمان زودرس و ADHD است ، اما دلایل متداول غیرقابل اندازه گیری (به عنوان مثال ، استرس زا مادران در دوران بارداری و مسئولیت ژنتیکی مشترک) اثرات محکمی بر روی آن دارندسیگار کشیدن مادران و زایمان زودرس و به ترتیب سیگار کشیدن مادران و ADHD. در این سناریو ، برآورد تنظیم شده برای سیگار کشیدن مادر (به عنوان مثال ، 0. 08) نسبت به برآورد غیر قابل تنظیم (به عنوان مثال ، 0. 15) مغرضانه تر است ، که نزدیک به مقدار واقعی (= 0. 14) از میانگین اثر علی تولد زودرس بر روی ADHD در ADHD است. شبیه سازی مانکته قابل توجه ، هیچ تخمین در این سناریو به همان اندازه تخمین غیر قابل تنظیم در سناریو اول مغرضانه نیست. این نتایج مطابق با کار نظری قبلی [8] و مطالعات شبیه سازی [26 ، 27] از وضعیتی است که یک همبستگی بالقوه هم یک متلاطم واقعی از رابطه قرار گرفتن در معرض نتیجه و همچنین یک برخورد در مسیر دیگری بین قرار گرفتن در معرض و نتیجه است. این مطالعات نشان می دهد که تعصب معرفی شده با تنظیم برای آن متغیرهای متغیر می تواند کمتر از تعصب موجود در یک تجزیه و تحلیل غیرقابل تنظیم باشد ، مگر اینکه اثرات مخدوش در مقایسه با اثرات دلایل متداول اندازه گیری شده اندک باشد.

بحث

همانطور که مثال فوق نشان می دهد ، هنگام ساخت یک مدل علی ، تنظیم یک متغیر معین می تواند تعصب را کاهش دهد ، بسته به ساختار علی واقعی بین متغیرهای مورد نظر ، تعصب یا هر دو را معرفی کند. اگر متغیر متغیر بالقوه هم از رابطه قرار گرفتن در معرض نتیجه و هم برخورد در مسیر دیگری بین آنها باشد ، تحقیقات نشان می دهد که تعصب مخدوش که با تنظیم متغیر متغیر از بین می رود ، احتمالاً از تعصب طبقه بندی برخورد با انجام این کار فراتر می رود ، مگر اینکه مخدوش کننده باشد. اثرات در مقایسه با اثرات دلایل متداول اندازه گیری نشده اندک است. بسیاری از نمونه های دنیای واقعی ، از جمله رابطه بین زایمان زودرس و ADHD ، ممکن است بیشتر به سناریوی اول شباهت داشته باشد ، به این معنی که تنظیم برای مخدوش بالقوه (به عنوان مثال ، سیگار کشیدن مادر) منجر به تعصب کمتری نسبت به عدم تنظیم برای آن خواهد شد. با این حال ، موقعیت های دیگری نیز وجود دارد که تنظیم یک متغیر متغیر به احتمال زیاد منجر به افزایش خالص تعصب می شود. بارزترین وضعیت تنظیم برای یک متغیر متغیر است که یک متغیر میانی (یعنی واسطه) در یکی از مسیرهایی است که از طریق آن قرار گرفتن در معرض نتیجه می شود [28 ، 29]. اگر این مسیر به طور قابل توجهی به میانگین اثر علی علاقه کمک کند ، تنظیم یک همبستگی متوسط می تواند تعصب قابل توجهی را معرفی کند. به عنوان مثال ، محققانی که رابطه بین زایمان زودرس و ADHD را بررسی می کنند ، ممکن است برای وقایع هیپوکسیک-ایسکمیک پری ناتال تنظیم کنند زیرا آنها یک عامل خطر بالقوه برای نتایج شناختی منفی در نظر گرفته شده اند [30]. با این حال ، تنظیم برای حوادث هیپوکسیک-ایسکمیک می تواند برآورد تعصب از میانگین اثر علی تولد زودرس بر ADHD در صورتی که حوادث هیپوکسیک-ایسکمیک حداقل برخی از این اثر واسطه باشد. با ظرافت تر ، تنظیم یک متغیرهای متغیر که توسط یک متغیر میانی ایجاد می شود ، اما خود در مسیر علّی بین قرار گرفتن در معرض و نتیجه نیست ، می تواند تعصب را معرفی کند وقتی که این متغیرها یک علت مشترک غیرقابل اندازه را با نتیجه به اشتراک می گذارد [28]. در این سناریو ، درجه تعصب باعث افزایش رابطه بین متغیر میانی و متغیر پایین دست و مسیر علیت قوی تر از متغیر میانی می شود [28]. در مثال فوق ، تنظیم برای نمرات آپگار پایین [16 ، 17 ، 20] می تواند تخمین های تعصب از میانگین اثر علی تولد زودرس بر روی ADHD در صورتی که نمرات آپگار کم توسط یک متغیر میانی ایجاد شود (به عنوان مثال ،

حوادث هیپوکسیک-ایسکمیک پری ناتال) و همچنین سایر دلایل متداول غیرقابل اندازه گیری را با ADHD کودک به اشتراک می گذارند. علاوه بر این ، تنظیم برای یک متغیرهای متغیر که تأثیر نتیجه است می تواند باعث افزایش خالص تعصب شود ، به عنوان مثال ، اگر قرار گرفتن در معرض اثر مستقیمی داشته باشد (یعنی تأثیرگذاری از طریق نتیجه) بر روی متغیر.

چالش های مربوط به تصمیم گیری در مورد متغیرهای متغیرهای متغیر (در صورت وجود) در بسیاری از موقعیت های دیگر گسترش می یابد که در آن تنظیم برای متغیرهای خاص می تواند بسته به ساختار علیت واقعی ، تعصب را کاهش یا معرفی کند [برای مثال ، به 10 ، 31-33 مراجعه کنید]. بنابراین ، گنجاندن بالقوه هر متغیر متغیر در یک مدل علی ، نیاز به بررسی دقیق دارد. DAG ها می توانند با روشنایی ساختار علیت فرضی متغیرهای مورد مطالعه ، این ملاحظات را تسهیل کنند و از این طریق عواقب تنظیم متغیرهای خاص را با فرضیات مختلف آشکار می کنند. علاوه بر این ، استفاده از DAG ها هنگامی که روابط پیچیده تر باشد ، حتی بیشتر مفید می شود ، زیرا تلاش برای اعمال قوانین ساده و بدون توجیه گرافیکی اغلب در چنین مواردی کاملاً شکست می خورد.

توجه داشته باشید ، انتخاب متغیرهای متغیر و تفسیر مدلهای علی ، نه تنها در نظر گرفتن دقیق بلکه دانش تخصصی نیز نیاز دارد. داده های مشاهده ای به تنهایی به طور معمول برای تعیین اینکه آیا هر DAG داده شده DAG واقعی است یا اینکه مدل علی خاص صحیح است ، کافی نیست [9]. به عنوان مثال ، به عنوان مثال ، سیگار کشیدن بالقوه متغیر مادر در دوران بارداری ممکن است با نتیجه ADHD همراه باشد زیرا: اولی باعث دومی می شود. هر دو توسط یک متغیر دیگر ، بدون اندازه گیری (یعنی مسئولیت ژنتیکی مشترک) ایجاد می شوند. یا هر دو. ما نمی توانیم به تنهایی از مجموعه داده ها تعیین کنیم که کدام یک از اینها صحیح است و در عوض باید فرضیاتی را در مورد رابطه بین این متغیرها انجام دهیم.(چند مورد خاص وجود دارد (به عنوان مثال ، منطقه نابرابری های ابزاری و منطقه نوظهور کشف علیت) که در آن پیشنهاد شده است که یک مدل خاص یا مدل علیت خاص با استفاده از داده های مشاهده ای به تنهایی قابل آزمایش یا جعل باشد [34-36].) در عمل معمول ، هر دو DAG و مدلهای علّی به فرضیات محقق در مورد رابطه کلیه متغیرهای اندازه گیری شده و اندازه گیری نشده در یک تجزیه و تحلیل متکی هستند - فرضیاتی که به طور معمول مبتنی بر تحقیقات قبلی یا دانش فرآیندها هستند (به عنوان مثال ، فرایندهای بیولوژیکی)تحت بررسی [9].

با وجود کاربرد DAG های علی ، محدودیت هایی وجود دارد که باید به آنها توجه داشت. برای شروع ، همانطور که در مثال بالا نشان داده شده است ، DAG ها به تنهایی برای تعیین جهت یا بزرگی تعصب معرفی شده توسط تنظیم یا عدم تنظیم ، برای یک همبستگی کافی نیستند. علاوه بر این ، DAG ها نمی توانند تأثیر اصلاح اندازه گیری اثر را نشان دهند (به عنوان مثال ، جنسیت به عنوان تعدیل کننده تأثیر تولد زودرس بر ADHD) [37] ، اگرچه تلاش هایی برای گسترش DAG ها برای در نظر گرفتن چنین ویژگی هایی صورت گرفته است. محدودیت های احتمالی اضافی در استفاده از DAG های علّی مطرح شده است ، از جمله امکان توضیح بیش از حد ، اما فراتر از محدوده این تفسیر است [38-40].

نتیجه

در تحقیقات روانپزشکی مشاهده ای ، علاقه اغلب در رابطه علّی بین قرار گرفتن در معرض و نتیجه نهفته است. برای برآورد این رابطه ، محققان یک مدل علی (یعنی الگویی برای رابطه بین قرار گرفتن در معرض و نتیجه) با داده ها متناسب هستند. محققان غالباً انواع متغیرهای متغیر را در این مدل شامل می شوند ، به طور معمول به امید به دست آوردن برآورد دقیق تر از تأثیر علّی علاقه. با این حال ، همانطور که در یک مثال بحث و گفتگو کرده ایم ، بسته به روابط واقعی متغیرهای متغیر با قرار گرفتن در معرض و نتیجه ، تنظیم متغیرهای متغیرهای متغیر می تواند به جای یا علاوه بر کاهش تعصب ، تعصب جدیدی را معرفی کند. بنابراین ، محققان باید با دقت در نظر بگیرند که کدام متغیرهای متغیر را در یک مدل علی قرار می دهند و نه اینکه همه متغیرهای متغیر را که به طور بالقوه مربوط به قرار گرفتن در معرض یا نتیجه است ، شامل شود. DAG ابزاری مفید برای روشن شدن چگونگی تنظیم متغیر متغیر در یک تخمین است. با اجازه محققان برای تجسم فرضیات مورد نیاز برای مجموعه خاصی از متغیرهای متغیر برای مسدود کردن تمام مسیرهای دیگر بین قرار گرفتن در معرض و نتیجه جدا از مسیر مورد علاقه ، DAG ها به محققان این امکان را می دهند تا فکر کنند که آیا این فرضیات منطقی هستند.

تصدیق

نویسندگان دوست دارند دکتر کاترین مک هه ، دکتر لیندا والری ، دکتر امیلی بلو و دکتر هریسون پاپ ، جونیور را بخاطر بازخورد بسیار مفید خود در مورد پیش نویس های قبلی این مقاله تصدیق کنند.

بیانیه منافع منافع

طی 3 سال گذشته ، K. N. Javaras از کمک هزینه های تحقیقاتی پشتیبانی RFROM موسسه ملی دیابت و هضم و بیماری کلیه ، کمک هزینه تحصیلی دانشکده پزشکی Eleanor و Miles Shore Harvard و یک بیمارستان مک لین جاناتان ادوارد بروکینگ جایزه محقق تحقیقات بهداشت روان را دریافت کرده است. او همچنین صاحب سهام در سانوفی و شرکت Centene است. J. I. هادسون هزینه های مشاوره ای را از Idorsia ، PPD ، Shire و Sunovion دریافت کرده است و از Boehringer Ingelheim ، Idorsia و Sunovion پشتیبانی می کند. E. W. Diemer هیچ تضاد منافع برای گزارش ندارد.

منابع بودجه

کار K. N. Javaras در این پروژه توسط K23-DK120517 و صندوق نوآوری سلامت روان زنان بیمارستان مک لین پشتیبانی شد. E. W. Diemer توسط یک برنامه نوآوری تحت عنوان MARIE SKLODOWSKA-CURIE توافق نامه اعطای شماره 721567 پشتیبانی می شود. هیچ منبع بودجه ای در طراحی ، جمع آوری ، تجزیه و تحلیل ، نوشتن یا تصمیم گیری در مورد این مطالعه هیچ نقشی ندارد.

کمک های نویسنده