Skip to main content

Chapter_9

Aaron L9/17/25About 6 minCausal inferenceDeepSeek-R1-0528response_md
### Chapter 9: MEASUREMENT BIAS AND "NONCAUSAL" DIAGRAMS **引言** - 通过随机实验案例（研究者抬头是否引发行人抬头）引入测量偏倚概念：即使无混杂和选择偏倚，结局变量Y的错误测量（误分类）会稀释处理A与结局的关联强度。 - **测量偏倚定义**：因数据测量过程导致处理-结局关联被削弱或加强的偏倚类型，可发生于随机实验和观察性研究。

9.1 Measurement error

技术重点（Technical Points）

  • 核心理论：
    • 变量测量误差普遍存在），真实处理A和结局Y的测量值分别为A和Y（A*为"construct"，A为"measure"）。
    • 因果图表示：图9.1中，A影响Y和A*，UA代表导致A测量误差的因素（如记录错误、患者未遵医嘱）。
  • 关键公式：
    • 测量误差定义：

      eA=A∗−A(处理误差)e_A = A^* - A \quad \text{(处理误差)}

      eY=Y∗−Y(结局误差)e_Y = Y^* - Y \quad \text{(结局误差)}

  • 重要概念：
    • 独立测量误差：联合概率密度满足 (f(e_Y, e_A) = f(e_Y)f(e_A))。
    • 非差异性测量误差：误差分布独立于其他变量，如 (f(e_A|Y) = f(e_A))（处理误差独立于结局）。
  • 应用场景：
    • 当仅能获取A和Y时（图9.2），A*-Y*关联（如风险比）不等于真实因果效应，导致测量偏倚。

细节要点（Fine Points）

  • 案例分析：
    • 胆固醇药物研究：医疗记录错误导致药物使用A被错误记录为A*。
    • 肝病研究：若仅用A和Y分析，因果效应无法识别（即使满足可交换性、正值性、一致性）。
  • 辅助信息：
    • 离散变量的测量误差称为误分类（misclassification）。
    • 图9.1中UA节点非必需，但用于显式表示误差来源。

9.2 The structure of measurement error

技术重点（Technical Points）

  • 核心理论：
    • 测量误差结构按独立性和非差异性分类（Technical Point 9.1）：
      • 独立性：误差是否相关（图9.2独立 vs. 图9.3依赖）。
      • 非差异性：误差分布是否独立于其他变量（图9.4-9.5为差异性误差）。
  • 重要概念：
    • 四类误差结构：
      1. 独立非差异（图9.2）
      2. 依赖非差异（图9.3）
      3. 独立差异（图9.4-9.5）
      4. 依赖差异（图9.6-9.7）
    • 差异性误差示例：
      • 回忆偏倚（recall bias）：结局影响处理测量（如痴呆影响药物使用回忆，图9.4）。
      • 反向因果偏倚（reverse causation）：结局影响处理测量（如肝毒性影响血药浓度测量）。
  • 应用场景：
    • 误差结构决定校正方法（如独立非差异误差有成熟校正方法）。

细节要点（Fine Points）

  • 案例分析：
    • 电话回忆医疗史：UAY导致A和Y的测量误差依赖（图9.3）。
    • 医生监测偏倚：处理A影响结局Y的测量精度（图9.5）。
  • 辅助信息：
    • Fine Point 9.1：测量偏倚强度取决于误差大小（因果图无法量化），极端情况下可导致关联方向反转（如非单调函数关系）。

9.3 Mismeasured confounders and colliders

技术重点（Technical Points）

  • 核心理论：
    • 混杂因子L的测量误差（L*）可致偏倚，即使A和Y完美测量。
    • 后门路径A←L→Y无法通过L*阻断（图9.8-9.9），标准化风险比 ≠ 因果风险比。
  • 重要概念：
    • 测量偏倚可表现为虚假效应修饰：L*分层分析中，混杂控制不全导致伪效应修饰（图9.10）。
    • 碰撞子C的测量误差（C）可引入选择偏倚（C是A和Y的共同后代）。
  • 应用场景：
    • 肝炎病史研究：问卷回忆误差使L*无法完全阻断混杂路径。

细节要点（Fine Points）

  • 案例分析：
    • Fine Point 9.2：某些场景下混杂因子测量误差无偏倚：
      • 决策基于测量值L*（如血压记录决定降压治疗，图9.11）。
      • 极端案例中L*可调整混杂，而真实L不可（图9.12）。
  • 辅助信息：
    • 测量偏倚可等价于未测量混杂（图9.8等价于图7.8）。

9.4 Causal diagrams without mismeasured variables?

技术重点（Technical Points）

  • 核心理论：
    • 忽略测量误差是简化假设，实际中所有变量均有误差。
    • 两阶段作图法：先忽略测量误差聚焦混杂/选择偏倚，再添加误差层。
  • 重要概念：
    • 测量误差较小时，可省略真实值/测量值区分以简化图。
  • 应用场景：
    • 仅A和Y可用时，可能引入非因果关联（即使真实效应为零）。

细节要点（Fine Points）

  • 辅助信息：
    • 混杂和选择偏倚在完美测量下存在时，通常也存在于误差场景（例外见Fine Point 9.2）。

9.5 Many proposed causal diagrams include noncausal arrows

技术重点（Technical Points）

  • 核心理论：
    • 因果DAG要求：所有箭头需对应明确定义的干预（如肥胖L→死亡Y的干预未定义，图9.13中L→Y为"非因果箭头"）。
    • 修正方法：引入隐变量H（如遗传因素），L作为H的代理（图9.14）。
  • 重要概念：
    • 反事实Yl通过递归替换定义：(Yl = Y{Al})（图9.14）。
  • 应用场景：
    • 新冠治疗研究：肥胖L影响治疗A可定义干预，但影响死亡Y不可。

细节要点（Fine Points）

  • Fine Point 9.3：干预定义取决于变量含义（如L为体重数值 vs. 记录值）。
  • Fine Point 9.4：非因果DAG可编码统计独立性，但存在理论缺陷（Richardson and Robins, 2013）。
  • Fine Point 9.5：图9.14与前门准则等价，添加L→Y箭头会改变效应定义。

9.6 Does it matter that many proposed diagrams include noncausal arrows?

技术重点（Technical Points）

  • 核心理论：
    • 非因果DAG（图9.13）可能正确指导分析（如调整L可阻断混杂），但存在风险：
      • 若L为混杂代理（图9.16），则调整L无法阻断路径（vs. 图9.15）。
  • 重要概念：
    • 健康/社会科学中许多DAG因缺乏隐变量H而非因果。
  • 应用场景：
    • 图9.17非因果（L→Y无定义），修正为图9.18后效应不可识别。

细节要点（Fine Points）

  • Fine Point 9.6：非因果DAG转因果DAG需谨慎（图9.17→图9.18/9.19）。
  • 辅助信息：
    • "充分定义干预"概念模糊，但因果推断依赖此基础。

全章逻辑关联
本章扩展因果图框架，纳入测量误差（9.1-9.3）和"非因果箭头"问题（9.5-9.6），强调：

  1. 测量偏倚作为第三大偏倚源（补充前文的混杂/选择偏倚）。
  2. 因果图中箭头需对应明确定义的干预，否则可能导致错误结论。
    与全书主题关联：深化因果图的应用局限，为后续因果识别方法奠定基础。