Clarifying Adjustment in DAGs: Controlling Bias Paths Without Creating New Effects
เข้าใจการปรับตัวแปรใน DAG อย่างถูกต้อง: ควบคุมอคติ ไม่ใช่ลบตัวแปร 🧠 บริบทของความเข้าใจที่คุณมี
การเข้าใจว่า:
- การปรับตัวแปรเหมือน “นำมันออก” เพื่อเปิดทางใหม่จาก X → Y
- เราปรับตัวแปรในเส้นทาง non-causal หรือ causal indirect path
- การทำเช่นนี้ทำให้เหลือเพียง “causal” pathway เดียวให้ประเมิน
🎯 ตรรกะนี้ ใกล้เคียงมาก กับสิ่งที่เกิดขึ้นจริง แต่ยังมีบางจุดที่ควร “ขัดเกลา” เพื่อความเข้าใจลึกซึ้งและใช้งานได้อย่างแม่นยำ
📌 ความเข้าใจใหม่ที่ถูกต้องและครบถ้วน
🔧 1. “Adjustment” คือการ ควบคุมเส้นทางของข้อมูล ไม่ใช่การ “ลบตัวแปรออก”
- เราไม่ได้ลบตัวแปรออกจากโมเดล
- เรา เฝ้าระวังเส้นทางที่อคติจะวิ่งผ่าน แล้วใช้เทคนิคทางสถิติเพื่อ “ปิดประตู” เหล่านั้น
จุดสำคัญ: Adjustment ไม่ใช่การสร้างเส้นทางใหม่จาก X → Yแต่คือการ บล็อกเส้นทางปลอมๆ จาก X → Y ที่เกิดจาก confounding หรือ collider opening
🔄 2. ปรับเฉพาะ non-causal open paths เท่านั้น
| Path Type | Adjust? | ทำไมถึง (ไม่) ต้องปรับ |
| X → Y (Causal path) | ❌ | อย่าปิดเส้นทางเป้าหมายของเรา |
| X ← C → Y (Confounding) | ✅ | ปิดเส้นทางอคติ |
| X → M → Y (Mediator) | ❌* | อย่าปรับ ถ้าต้องการ total effect |
| X → Z ← Y (Collider) | ❌ | การปรับจะ เปิด เส้นทางอคติ |
🔍 หมายเหตุ: การปรับ Mediator มีประโยชน์เฉพาะเมื่อเราต้องการประเมิน direct effect
🎯 สรุปแก้ไขและขยายความเข้าใจ
❌ ความเข้าใจผิด:
“การปรับตัวแปรเหมือนการเอาตัวแปรออกจากโมเดล เพื่อสร้างเส้นทางใหม่จาก X → Y”
✅ ความเข้าใจที่ถูกต้อง:
“การปรับตัวแปรคือการควบคุมเส้นทางอคติใน DAG ให้ข้อมูลไหลเฉพาะ causal path ที่เราสนใจ”
🔁 เปรียบเทียบก่อน-หลังความเข้าใจ
| แนวคิดแบบเดิมของคุณ | แนวคิดที่ถูกต้องเชิงตรรกะ |
| ปรับ = ตัดตัวแปรออก | ปรับ = ควบคุมเส้นทางอคติผ่านตัวแปรนั้น |
| เปิดทาง causal ใหม่หลังการปรับ | ไม่เปิดทางใหม่ แต่ปิดทางปลอม |
| ปรับ causal indirect path | ปรับถ้าต้องการ direct effect เท่านั้น |
🧠 คำอธิบายผ่านกรณีตัวอย่าง
คำถาม:
Early antibiotic therapy → 28-day mortality
dagittydag {
ShockSeverity -> EarlyAntibiotics
ShockSeverity -> Mortality
EarlyAntibiotics -> Lactate
Lactate -> Mortality
}
- ✅ ปรับ ShockSeverity เพื่อปิด confounding path
- ❌ อย่าปรับ Lactate ถ้าต้องการ total effect
- ✅ ปรับ Lactate ถ้าต้องการ direct effect เฉพาะจากยาโดยตรง
✅ Key Takeaways
- “Adjustment” = การควบคุมไม่ให้ bias วิ่งเข้ามาทาง non-causal paths
- อย่าเข้าใจว่าเราสร้าง causal path ใหม่หลังปรับ
- ปรับเฉพาะเส้นทาง อคติที่เปิดอยู่ เท่านั้น
- ใช้ DAG เพื่อวิเคราะห์ว่าเส้นทางไหนเปิด/ปิด และควรปรับหรือไม่
- DAGitty ช่วยหาชุดตัวแปรที่ “พอดี” ในการปิดเส้นทางอคติทั้งหมดโดยไม่แตะ causal path