교란

이 기사는 대부분의 독자들이 이해하기에는 너무 전문적일 수 있다. 기술적인 세부사항을 삭제하지 않고 비전문가가 이해할 수 있도록 개선해 주세요.(2019년 9월) (이 템플릿메시지 삭제 방법 및 삭제 시기 확인)

통계학에서 교란 요인(교란 변수, 교란 요인, 외부 결정식 또는 잠복 변수)은 종속 변수와 독립 변수 모두에 영향을 미쳐 유사 연관성을 유발하는 변수입니다.교란 요인은 인과 개념이며, 따라서 상관관계나 ^[1][2][3]연관성의 관점에서 설명할 수 없다.교란 인자의 존재는 상관관계가 인과관계를 의미하지 않는 중요한 정량적 설명이다.

교란은 내부 ^[4]유효성에 대한 위협입니다.

정의.

교란 요인은 데이터 생성 모델의 관점에서 정의된다(위 그림 참조).X를 독립 변수로 하고 Y를 종속 변수로 합니다.X가 Y에 미치는 영향을 추정하려면 통계학자는 X와 Y 모두에 영향을 미치는 외부 변수의 영향을 억제해야 합니다.Z가 X와 Y 모두에 인과적으로 영향을 미칠 때마다 X와 Y가 다른 변수 Z에 의해 교락된다고 합니다.

P${\displaystyle }$( ${\displaystyle y}$ ${\displaystyle \mid \text{do}}$ (${\displaystyle x}$) { $displaystyle$P ($y$ \$mid$ { $text${$do$}} (x$)$ } } be 、 X = y 에서의 이벤트 Y = y 의 확률로 $합니다{\displaystyle }$. X 와 Y 는 다음 조건이 충족되는 경우에만 혼동되지 않습니다.

${\displaystyle P(y\mid {do}}}(x)=P(y\mid x)}$

(1)

모든 값 X = x 및 Y = y에 대해, $여기$서 P${\displaystyle (}$ ${\displaystyle yx}$x$$) {$displaystyle$ P$(y\mid$x)}는$$ X = x를 볼 때의 조건부 확률이다. 직관적으로, 이러한 등식은 X와 Y 사이의 관측 목격 연관성이 통제된 실험에서 측정될 연관성과 같을 때마다 교란되지 않음을 나타낸다.h x 랜덤화.

원칙적으로 $정의등식{\displaystyle }$P ( ${\displaystyle y}$ ${\displaystyle \text{do}}$do ( ${\displaystyle x}$ )${\displaystyle =P}$ ( y${\displaystyle x}$x $){$ $display style$ P $( y$ \ $mid \ text$ { $do$}} ( $x$)=$P(y$\$mid$x)}는 모델과 관련된 모든 방정식과 확률이 있다고 가정할 때 데이터 생성 모델에서 검증할 수 있습니다$.$이는 ${\displaystyle \text{개입}}$도$X$)({displaystyle {$do$$}(X =$ x) ($$베이지안 네트워크 참조)를 시뮬레이션하여 Y의 결과 확률이 $조건부{\displaystyle }$확률$$($y$ x$)$와 동일한지 여부를 확인하는 방법으로 이루어집니다. 그러나 그래프 구조만으로는 동등성을 검증하기에 충분합니다.$displaystyle$$x$=$P(y\mid$x$)\}.$

통제

환자가 약물 사용을 선택한 모집단 데이터에서 약물 X의 효과를 평가하려는 연구자를 생각해 보자.데이터는 성별(Z)이 환자의 약물 선택과 회복 가능성(Y)에 영향을 미친다는 것을 보여줍니다.이 시나리오에서는 Z가 X와 Y의 원인이기 때문에 성별 Z는 X와 Y의 관계를 혼동합니다.

그거 있어요.

$\displaystyle P(y\mid\text{do}}(x)\neq P(y\mid x)}$

(2)

왜냐하면 관측량에는 X와 Z 사이의 상관에 대한 정보가 포함되지만 개입량에는 포함되지 않기 때문입니다(랜덤화 실험에서는 X가 Z와 상관 관계가 없기 때문입니다).관측 데이터만 사용할 수 있는 경우, 모든 교란 요인에 대해 "조정"을 통해 원하는 양 P${\displaystyle (y\text{do}}$do (${\displaystyle x}$) { $displaystyle$ P$(y\mid {text{do}}(x$의 편향되지 않은 추정치를 얻을 수 있음을 알 수 있다.단일 교란 요인 Z의 경우, 이는 "조정 공식"으로 이어집니다.

${\displaystyle P(y\mid {do}}}(x)=\sum _{z}P(y\mid x,z)P(z)}$

(3)

이는 Y에 대한 X의 인과적 영향에 대한 편견 없는 추정치를 제공합니다.동일한 조정 공식은 교란 요인이 여러 개 있는 경우에도 작동하지만, 이 경우 편향되지 않은 추정치를 보장하는 변수 집합 Z를 신중하게 선택해야 합니다.변수의 적절한 선택 기준은 백도어라고 불리며, 선택한 세트 Z는 X와 Y 사이의 모든 경로를 X로 화살표가 포함된 "블록"(또는 가로채기)해야 합니다.이러한 집합을 백도어 허용이라고 하며 X와 Y의 일반적인 원인이 아니라 단순히 프록시인 변수를 포함할 수 있습니다.

약물 사용 예시로 돌아가면 Z는 백도어 요구 사항(즉, 백도어 $경로{\displaystyle }$ X ${\displaystyle \leftarrow }$ ${\displaystyle Z}$ ${\displaystyle \to }$ ${\displaystyle Y}${\$displaystyle$ X$\left$ 화살표 $Z\right$ 화살표 $Y})$을 준수하므로 백도어 조정 공식은 유효합니다.

${{displaystyle {begin{aligned}P(Y=context{recovered}}\mid {do}}(x=context{give drug}})={}&P(Y=mid X=mid text{recovered}}, Z=med text{give drug}, male})P(Z=maletext{male})\\&{}+P(Y=mid X=mid text{recovered}, Z=mid text{give drug}, med Text{female})P(Z=memaletext{female})\end{aligned}}$

(4)

이러한 방식으로 의사는 방정식의 오른쪽에 나타나는 조건부 확률을 회귀에 의해 추정할 수 있는 관찰 연구에서 약물 투여의 가능한 효과를 예측할 수 있다.

일반적인 믿음과는 달리 조정 집합 Z에 공변량을 추가하면 ^[7]편향이 발생할 수 있습니다.전형적인 반례는 Z가 X와 ^[8]Y의 공통 효과이며, Z가 교란 요인이 아닌 경우(즉, null 집합이 백도어 허용됨) Z에 대해 조정하면 "충돌기 바이어스" 또는 "Berkson's paradox"로 알려진 편향이 발생할 수 있다.

일반적으로 교란 요인은 백도어 조건을 충족하는 관측 공변량 집합이 있는 경우에만 조정을 통해 제어할 수 있습니다.또한 Z가 그러한 집합일 경우, Eq. (3)의 조정식이 ^[5][6]유효하다.Pearl의 do-calculus는 P${\displaystyle (\text{y}}$do${\displaystyle }$(${\displaystyle x}$ $){style$ P$(y\mid {text{do}}(x)})}}$이(가)^[9] 추정될 수 $있는{\displaystyle }$ 모든 조건을 제공합니다. 반드시 조정에 의한 것은 아닙니다.

역사

에 따르면 Morabia 그 단어는"혼합"을 의미한 중세 라틴어 동사"confudere"에서, 그리고 아마와 다른 하나고 따라서 혼동하거나 인도 아대륙 출신의 사람의 길에 서 있어서 그 결과에 영향을 줄 수 있원인을 평가하기를 원하는 원인 사이의 혼란(라틴어에서:con=with+fusus=mix거나 함께 접합)을 대표하는 것을 선택했다. 파생되(2011년)[10].빨간.평가.피셔는 1935년 저서 "실험의 ^[11]설계"에서 무작위 실험의 이상에서 오류의 원인을 나타내기 위해 "혼란"이라는 단어를 사용했습니다.Vandenbroucke(2004)^[12]에 따르면, 관찰 연구에서 두 개 이상의 그룹(예: 노출 및 노출되지 않음)의 "비교 불가능"을 의미하기 위해 "혼란"이라는 단어를 현대적 의미에서 사용한 사람은^[13] 키시였다.

특정 그룹을 "비교할 수 있는" 것과 다른 그룹을 "비교할 수 없는" 것으로 만드는 것을 정의하는 공식 조건은 나중에 그린란드와 로빈스(1986)^[14]에 의해 네이만(1935)^[15]과 루빈(1974)^[16]의 반사실적 언어를 사용하여 역학에서 개발되었다.이는 나중에 백도어 조건과 같은 그래픽 기준에 의해 보완되었다(Pearl 1993; Greenland, Pearl and Robins, 1999).^[3][5]

그래픽 기준은 형식적으로는 반사실적 정의와^[17] 동일하지만 프로세스 모델에 의존하는 연구원에게는 더 투명한 것으로 나타났습니다.

종류들

인체 건강에 대한 위험의 규모와 특성을 평가하는 위험 사정의 경우 식품 첨가물, 농약 또는 신약과 같은 특정 위험의 영향을 분리하기 위해 교란 요인을 제어하는 것이 중요하다.예비학습의 경우 동일한 배경(나이, 식단, 교육, 지리 등)을 가진 지원자를 모집하고 선발하는 것이 어려우며, 역사학습에서도 비슷한 차이가 있을 수 있다.자원자와 인간 연구의 가변성을 통제할 수 없기 때문에, 교란 요인은 특별한 과제이다.이러한 이유로, 실험은 대부분의 형태의 교란을 피할 수 있는 방법을 제공합니다.

일부 분야에서는 교란 요인이 다른 유형으로 분류됩니다.역학에서 한 가지 유형은 관찰 연구의 교란과 관련된 "지시에 의한 교란"^[18]이다.예후 인자는 치료 결정(및 치료 효과의 편향 추정치)에 영향을 미칠 수 있기 때문에 알려진 예후 인자에 대한 제어는 이 문제를 줄일 수 있지만, 잊혀지거나 알려지지 않은 인자가 포함되지 않았거나 인자가 복잡하게 상호작용하는 것은 항상 가능하다.지표에 의한 교란은 관찰 연구의 가장 중요한 한계로 설명되었다.무작위 시행은 무작위 할당으로 인한 적응증에 의한 교락의 영향을 받지 않습니다.

교란 변수는 그 출처에 따라 분류될 수도 있다.측정기 선택(작동 교란), 상황 특성(절차 교란) 또는 개인 간 차이(인물 교란)

• 조작 교란은 실험 및 비실험 연구 설계 모두에서 발생할 수 있다.이러한 유형의 교란 요인은 특정 구조를 평가하도록 설계된 측정이 부주의하게 ^[19]다른 무언가를 측정할 때 발생한다.
• 절차적 교란은 실험실 실험이나 준실험에서 발생할 수 있다.이러한 유형의 교락은 연구자가 조작한 독립 ^[19]변수와 함께 다른 변수가 변경되도록 실수로 허용할 때 발생합니다.
• 개인 교란 요인은 하나 이상의 다른 특성(예: 성별)^[20]에 따라 변화함에도 불구하고 둘 이상의 단위 그룹(예: 다른 직업의 근로자)을 함께 분석할 때 발생한다.

예

예를 들어 첫째 아이, 둘째 아이 등 출생 순서와 아이의 다운증후군 존재의 관계를 연구하고 있다고 가정해 보자.이 시나리오에서 산모 연령은 교란 변수가 된다.

1. 높은 산모 연령은 아이의 다운증후군과 직접적인 관련이 있습니다
2. 높은 산모 연령은 출생순서에 관계없이 다운증후군과 직접 관련이 있다(50세에 첫째와 셋째를 가진 산모도 같은 위험을 감수한다).
3. 모성연령은 출생순서와 직결된다(쌍둥이를 제외한 둘째 아이는 첫째 아이 출산을 위해 엄마가 자신보다 나이가 많을 때 출생한다).
4. 모성 연령은 출생 순서의 영향을 받지 않는다(둘째 아이를 낳는다고 해서 모성 연령이 달라지는 것은 아니다.

위험 평가에서 연령, 성별 및 교육 수준과 같은 요소는 종종 건강 상태에 영향을 미치므로 통제해야 합니다.이러한 요인들 외에, 연구자들은 다른 원인 요인에 대한 데이터를 고려하거나 데이터에 접근할 수 없을 수 있다.담배 피우는 것이 인간의 건강에 미치는 영향에 대한 연구이다.흡연, 음주, 다이어트는 관련된 생활 습관이다.흡연의 영향을 조사하지만 알코올 소비나 식단을 통제하지 않는 위험 평가는 ^[21]흡연의 위험을 과대 평가할 수 있습니다.흡연과 교란 요인은 석탄 ^[22]채굴의 안전과 같은 직업 위험 평가에서 검토된다.특정 직업에 비흡연자나 비음주자의 표본 모집단이 많지 않은 경우, 위험 평가는 건강에 대한 부정적인 영향을 찾는 데 치우칠 수 있습니다.

교란 가능성 감소

분석에서 수행된 비교의 유형과 수를 증가시킴으로써 교란 요인의 발생 및 영향에 대한 잠재적 감소를 얻을 수 있다.핵심 구조의 측정값 또는 조작이 교란된 경우(즉, 작동 또는 절차 교란이 존재하는 경우) 부분군 분석에서 분석의 문제를 발견하지 못할 수 있습니다.또한 비교 횟수를 늘리면 다른 문제가 발생할 수 있습니다(다중 비교 참조).

안전 점검은 연구 구현 전 또는 분석이 발생한 후에 교란 요인의 예를 줄이는 데 도움이 될 수 있는 과정이다.안전 점검은 결과가 교란 요인에 따라 달라질 수 있는 방법을 포함하여 연구 설계와 분석의 잠재적 약점을 식별하기 위해 분야 내의 집합적 전문지식에 의존한다.마찬가지로, 복제는 대안 연구 조건이나 대안 분석(예: 초기 연구에서 식별되지 않은 잠재적 교란 제어)에 따라 한 연구에서 얻은 결과의 건전성을 테스트할 수 있다.

교란 효과는 여러 시간과 위치에서 ^{[citation needed]}발생할 가능성이 낮고 유사하게 작용할 수 있다.연구 현장을 선택할 때, 연구 현장에서 환경을 상세하게 특성화하여 현장이 생태학적으로 유사하므로 교란 변수를 가질 가능성이 낮아지도록 할 수 있다.마지막으로 분석을 혼동할 수 있는 환경 변수와 측정된 매개변수 간의 관계를 연구할 수 있습니다.그런 다음 환경 변수와 관련된 정보를 현장 고유 모델에서 사용하여 실제 ^[23]효과로 인해 발생할 수 있는 잔류 분산을 식별할 수 있습니다.

시행 중인 연구 설계의 유형에 따라 교란 ^[24]변수를 적극적으로 제외하거나 제어하도록 설계를 수정할 수 있는 다양한 방법이 있습니다.

• 사례-대조군 연구는 교란 요인을 그룹, 사례 및 대조군 모두에 동일하게 할당합니다.예를 들어, 누군가가 심근경색의 원인을 연구하고 나이가 교란 변수일 가능성이 높다고 생각한다면, 67세의 각 경색 환자는 67세의 건강한 "대조군" 사람과 일치할 것입니다.환자-대조군 연구에서 일치하는 변수는 대부분 나이와 성별입니다.결점:환자-대조군 연구는 대조군을 찾기 쉬운 경우에만 가능하다. 즉, 모든 알려진 잠재적 교란 인자에 대한 상태가 환자 환자와 동일한 사람이다.환자-대조군 연구가 1) 45세, 2) 흑인, 3) 알래스카 출신, 4) 열렬한 축구 선수, 5) 채식주의자, 6) 교육 분야에서 일하는 사람에게서 특정 질병의 원인을 찾으려고 시도한다고 가정합니다.이론적으로 완벽한 대조군은 질병을 조사하지 않을 뿐만 아니라 이러한 모든 특징과 일치하고 환자가 가지고 있지 않은 질병도 없는 사람입니다. 하지만 그러한 대조군을 찾는 것은 엄청난 작업이 될 것입니다.
• 코호트 연구:일치 정도도 가능하며, 종종 특정 연령대 또는 특정 성별만 연구 모집단에 받아들여 유사한 특성을 공유하는 사람들의 코호트를 생성함으로써 모든 코호트가 가능한 교란 변수와 관련하여 비교 가능하다.예를 들어, 연령과 성별이 교란 요인이라고 생각되는 경우, 40~50세 남성만이 신체적으로 활동적이거나 활동적이지 않은 코호트의 심근경색 위험을 평가하는 코호트 연구에 관여할 것이다.결점:코호트 연구에서 입력 데이터의 과잉 폐지는 연구자가 연구가 유용하다고 주장하는 유사한 위치에 있는 사람들의 집합을 너무 좁게 정의하도록 이끌 수 있으며, 따라서 인과 관계가 실제로 적용되는 다른 사람들은 연구의 권고 사항으로부터 이익을 얻을 기회를 잃을 수 있다.마찬가지로, 연구 내에서 입력 데이터의 "과계층화"는 해당 계층의 구성원을 단독으로 관찰하여 도출한 일반화가 통계적으로 유의하지 않은 지점까지 해당 계층의 표본 크기를 감소시킬 수 있다.
• 이중 블라인딩: 실험 집단과 실험 참가자의 실험 그룹 멤버쉽을 관찰자에게 숨깁니다.참가자들이 치료를 받고 있는지 여부를 알 수 없도록 함으로써, 플라시보 효과는 대조군과 치료 그룹에 동일해야 한다.관찰자가 회원 자격을 알지 못하게 함으로써, 연구자들이 그룹을 다르게 다루거나 결과를 다르게 해석하는 것에 대한 편견이 없어야 한다.
• 무작위 제어 평가판:참가자의 자기 선택 또는 연구 설계자의 편견을 완화하기 위해 연구 모집단을 무작위로 나누는 방법.실험이 시작되기 전에, 테스터는 난수 생성기의 사용과 같은 랜덤화 과정을 사용하여 참가자 풀의 구성원을 자신의 그룹(제어, 개입, 병렬)에 할당합니다.예를 들어, 운동의 효과에 대한 연구에서, 참가자들이 운동을 하지 않을 통제 집단이나 운동 프로그램에 기꺼이 참여할 개입 그룹에 속하기를 원하는 경우, 그 결론은 덜 유효할 것이다.그 연구는 실험 전 건강 수준과 건강한 활동을 채택하기 위한 동기 부여와 같은 운동 이외의 다른 변수들을 포착할 것이다.관찰자의 입장에서, 실험자는 연구가 보고 싶어하는 결과를 보여줄 가능성이 더 높은 후보자를 선택하거나 그들의 욕구에 유리한 방식으로 주관적인 결과를 해석할 수 있다.
• 계층화:위의 예시와 같이 신체활동은 심근경색으로부터 보호하는 행동이라고 생각되며, 연령은 가능한 교란요인으로 가정된다.추출된 데이터는 연령대별로 계층화된다. 즉, 활동과 경색 사이의 연관성이 각 연령대별로 분석된다는 것을 의미한다.서로 다른 연령대(또는 연령층)가 훨씬 다른 위험 비율을 산출하는 경우, 나이는 교란 변수로 보아야 한다.통계 툴이 존재하며, 그 중에는 Mantel-이 있다.데이터 세트의 계층화를 설명하는 Haenszel 메서드.
• 알려진 교란 요인을 측정하고 공변량으로 포함시킴으로써 교란 요인을 제어하는 것은 회귀 분석과 같은 다변수 분석입니다.다변량 분석에서는 교란 변수의 강도 또는 극성에 대한 정보가 계층화 방법보다 훨씬 적습니다.예를 들어 다변량 분석이 항우울제에 대한 통제를 하고 TCA와 SSRI에 대한 항우울제를 계층화하지 않는 경우, 이 두 등급의 항우울제가 심근경색에 반대 효과를 가지며, 한 등급은 다른 등급보다 훨씬 강하다는 것을 무시한다.

이러한 방법에는 모두 단점이 있습니다.

1. 교란으로 인한 가짜 결과의 가능성에 대한 최선의 방어는 종종 계층화의 노력을 생략하고 대신 모든 잠재적 교란 변수(알려진 변수와 알려지지 않은 변수)가 모든 연구 그룹에 우연히 분포되도록 전체적으로 충분히 큰 샘플의 무작위 연구를 수행하는 것이다.따라서 어떤 그룹에 포함/포함하기 위한 바이너리 변수와 관련이 없습니다.
2. 윤리적 고려사항:이중 블라인드 및 무작위 대조 실험에서는 참가자들이 가짜 치료의 수혜자라는 것을 알지 못하고 효과적인 치료가 ^[25]거부될 수 있습니다.환자가 치료를 받고 있다는 이해 하에 침습 수술에만 동의할 가능성이 있습니다.이것은 윤리적 문제이긴 하지만, 상황을 완전히 설명하는 것은 아니다.현재 정기적으로 시행되고 있지만 실제 효과에 대한 구체적인 증거가 없는 수술의 경우, 그러한 수술을 계속하는 데 윤리적 문제가 있을 수 있습니다.그러한 상황에서, 많은 사람들이 수술의 실제 위험에 노출되어 있지만, 이러한 치료법은 눈에 띄는 이점을 제공하지 못할 수도 있다.가짜 수술 제어는 의학적으로 수술의 효과 여부를 판단할 수 있게 해주는 방법이다.의료 수술과 관련된 알려진 위험이 있다는 것을 고려할 때, 검증되지 않은 수술을 미래로 무한정 진행하는 것을 허용하는 것은 윤리적으로 의문스럽다.

아티팩트

아티팩트는 스터디 내에서 또는 스터디 간에 체계적으로 변경되어야 했지만 실수로 일정하게 유지된 변수입니다.따라서 아티팩트는 외부 유효성에 위협이 됩니다.아티팩트는 치료 및 결과와 관련된 요인입니다.캠벨과^[26] 스탠리는 몇몇 유물을 확인했다.내부 유효성에 대한 주요 위협은 이력, 성숙도, 시험, 계측, 통계 회귀, 선택, 실험 사망률 및 선택-이력 상호작용이다.

아티팩트의 영향을 최소화하는 한 가지 방법은 사전 테스트 후 관리 그룹 설계를 사용하는 것입니다.이 설계 내에서, "초기 동등한 사람들(사전 테스트 단계)은 무작위로 실험 치료 또는 통제 조건을 받고 나서 이 차등 경험(사후 테스트 단계)^[27] 후에 다시 평가된다."따라서 아티팩트의 효과는 치료 조건과 대조군 조건 모두에서 참가자들에게 균등하게 분포된다.

「 」를 참조해 주세요.

• 일화적 증거 – 개인의 증언에 의존하는 증거
• 인과 추론 – 변수 간의 인과 관계 추론과 관련된 통계의 분과
• 역학적 방법 – 특정 분야의 과학적 방법
• 심슨의 역설 – 확률과 통계 현상

레퍼런스

추가 정보

• Pearl, J. (January 1998). "Why there is no statistical test for confounding, why many think there is, and why they are almost right" (PDF). UCLA Computer Science Department, Technical Report R-256.
• Montgomery, D. C. (2001). "Blocking and Confounding in the ${\displaystyle 2^{k}}$ Factorial Design". Design and Analysis of Experiments (5th ed.). Wiley. pp. 287–302. This textbook has an overview of confounding factors and how to account for them in design of experiments.{{cite book}}: CS1 유지보수: 포스트스크립트(링크)
• Brewer, M. B. (2000). "Research design and issues of validity". In Reis, H. T.; Judd, C. M. (eds.). Handbook of url=https://archive.org/details/handbookofresear00reis url-access=registration research methods in social and personality psychology. New York: Cambridge University Press. pp. 3–16.
• Smith, E. R. (2000). "Research design". In Reis, H. T.; Judd, C. M. (eds.). Handbook of research methods in social and personality psychology. New York: Cambridge University Press. pp. 17–39.

외부 링크

이러한 현장에는 교란 변수에 대한 설명 또는 예가 포함되어 있습니다.

• 튜토리얼:교란 및 효과 측정 수정(보스턴 대학교 공중보건대학원)
• 선형 회귀 분석(예일 대학교)
• 뉴잉글랜드 대학의 튜토리얼