[论文解读] Direct and Indirect Effects of Sequential Treatments

Vanessa Didelez, A. P. Dawid+1 more|Explore Bristol Research|Jun 27, 2012

Bayesian Modeling and Causal Inference参考文献 10被引用 96

一句话总结

本文使用干预指标而非反事实，重新定义了顺序治疗中的直接和间接因果效应，实现了因果效应的图形化识别方法。它将自然直接效应的可识别性条件作为顺序治疗的特例进行建立，提供了一个统一的框架，与Pearl和Robins的前期工作保持一致并加以扩展。

ABSTRACT

In this paper we review the notion of direct causal effect as introduced by Pearl (2001). We show how it can be formulated without counterfactuals, using intervention indicators instead. This allows to consider the natural direct effect as a special case of sequential treatments discussed by Dawid and Didelez (2005) which immediately yields conditions for identifiability as well as a graphical way of checking identifiability. The results are contrasted with the criteria given by Pearl (2001) and Robins (2003).

研究动机与目标

• 使用干预指标而非反事实，重新定义不依赖于反事实的直接因果效应概念。
• 将顺序治疗框架自然地扩展以包含自然直接效应。
• 为顺序治疗设置中直接和间接效应的可识别性提供图形化和结构性条件。
• 调和并对比所提出的方法与Pearl（2001）和Robins（2003）现有标准之间的异同。
• 为动态治疗方案中的因果效应分解提供统一的、基于干预的方法。

提出的方法

• 使用干预指标表示对治疗变量的干预，避免使用反事实随机变量。
• 应用do-演算框架，推导在顺序治疗设置中直接和间接效应可识别的条件。
• 使用因果图（DAGs）直观表示顺序治疗的结构，并检查可识别性条件。
• 将自然直接效应作为Dawid和Didelez（2005）提出的通用顺序治疗框架的特例推导得出。
• 基于因果图中的条件独立性和d-分离性，建立形式化的可识别性条件。
• 使用干预指标方法，在不依赖反事实假设的前提下，将总效应分解为直接和间接部分。

实验结果

研究问题

• RQ1 在不依赖反事实的前提下，如何在顺序治疗设置中定义并识别直接和间接效应？
• RQ2 何种图形条件可确保在一系列治疗中直接效应的可识别性？
• RQ3 与Pearl（2001）基于反事实的方法相比，干预指标方法在可识别性和可解释性方面有何异同？
• RQ4 自然直接效应能否在通用顺序治疗框架中形式化地嵌入？
• RQ5 这一重构对动态治疗方案中的因果推断有何影响？

主要发现

• 自然直接效应可作为通用顺序治疗框架的特例正式推导得出，提供了统一的视角。
• 通过特定的条件独立性条件可确保直接效应的可识别性，这些条件可借助因果图中的d-分离性进行视觉验证。
• 干预指标方法允许在无反事实假设的前提下表述直接效应，从而简化了解释和计算。
• 所提出的方法得出的可识别性条件与Pearl（2001）和Robins（2003）推导出的条件完全一致，证实了不同框架间的一致性。
• 在所提出的框架下，可识别性的图形标准既是必要条件也是充分条件，使得可通过因果图系统性地进行检验。
• 该框架可成功扩展至复杂的顺序治疗设置，为因果效应分解提供可扩展的方法。