Kausale Identifikation

Kausale Identifikation ist der Schritt in der kausalen Inferenz, der fragt, ob eine kausale Größe von Interesse, selbst prinzipiell, aus den verfügbaren Daten unter den angegebenen Annahmen wiederhergestellt werden kann. Sie trennt die konzeptuelle Frage, was geschätzt wird, von der statistischen Frage, wie präzise es geschätzt werden kann, und ist logisch jeder Analyse vorgelagert.

Definition

Kausale Identifikation ist der Nachweis, dass unter expliziten Annahmen ein definierter kausaler Effekt einer Größe entspricht, die aus der Verteilung der beobachteten Daten berechnet werden kann.

Scope

Dieses Thema behandelt die Identifikationsbedingungen, die ein kausales Schätzobjekt (Estimand) mit einer Funktion beobachteter Daten verknüpfen, die Austauschbarkeit (keine ungemessene Störgröße), Positivität und Konsistenz, zusammen mit Strategien wie Kovariatenanpassung, Instrumentalvariablen und der Emulation einer Zielstudie (Target-Trial Emulation). Es handelt sich um eine methodologische Referenz, nicht um eine klinische Leitlinie.

Core questions

• Kann der kausale Effekt von Interesse überhaupt aus den Daten gewonnen werden?
• Welche Annahmen sind für die Identifikation erforderlich und sind sie plausibel?
• Welche Strategie, Anpassung, Instrumente oder Studienemulation, identifiziert den Zieleffekt?

Key concepts

• Schätzobjekt (Estimand) und Identifikation
• Austauschbarkeit (keine ungemessene Störgröße)
• Positivität
• Konsistenz
• Instrumentalvariablen
• Emulation einer Zielstudie (Target-Trial Emulation)

Mechanisms

Die Identifikation erfordert die Verknüpfung eines kontrafaktischen Kontrasts mit beobachteten Größen durch Annahmen. Greenland und Robins (greenland-robins-1986) formalisierten die Austauschbarkeit, die Anforderung, dass exponierte und nicht exponierte Gruppen vergleichbare Ergebnisse gehabt hätten, wenn sie die gleiche Exposition geteilt hätten, als Kernbedingung, die zusammen mit Positivität (jede relevante Untergruppe kann jede Exposition erfahren) und Konsistenz (das beobachtete Ergebnis unter der tatsächlichen Exposition entspricht dem entsprechenden Kontrafaktum) die Beseitigung von Störgrößen durch Anpassung ermöglicht. Wenn ungemessene Störgrößen eine anpassungsbasierte Identifikation unwahrscheinlich machen, kann eine Instrumentalvariable, ein Faktor, der das Ergebnis nur durch die Exposition beeinflusst, manchmal einen Effekt unter ihren eigenen starken Annahmen identifizieren (hernan-robins-2006-iv). Die Formulierung einer Beobachtungsanalyse als explizite Emulation einer hypothetischen randomisierten Zielstudie (Target Trial) hilft, Identifikationsannahmen transparent zu machen und häufige Designverzerrungen zu vermeiden (hernan-robins-2016-trial). Grafische Kriterien bieten eine systematische Möglichkeit, die Identifizierbarkeit aus einer angenommenen kausalen Struktur zu überprüfen (pearl-1995).

Clinical relevance

Ob ein kausaler Effekt identifizierbar ist, bestimmt, ob Beobachtungsnachweise zu einer Behandlung oder Exposition überhaupt kausal interpretiert werden können, was für die Bewertung solcher Nachweise von zentraler Bedeutung ist. Dieses Thema beschreibt die Logik der Evidenzgenerierung und ist keine Grundlage für individuelle diagnostische oder Behandlungsentscheidungen.

Epidemiology

Das Identifikationsdenken ist heute in der Beobachtungsepidemiologie und der vergleichenden Wirksamkeitsforschung verankert, wo Forscher ihre Annahmen vor der Schätzung von Effekten darlegen. Der Target-Trial-Rahmen hat sich zu einem weit verbreiteten Instrument zur Organisation der Identifikation in Studien entwickelt, die routinemäßig gesammelte Gesundheitsdaten verwenden (hernan-robins-2016-trial).

History

Die Arbeit von Greenland und Robins aus dem Jahr 1986 lieferte der Epidemiologie eine rigorose Darstellung der Identifizierbarkeit durch Austauschbarkeit (greenland-robins-1986), und grafische Methoden lieferten später allgemeine Kriterien zu deren Überprüfung (pearl-1995). Die Literatur zu Instrumentalvariablen und Target Trials erweiterte dann die Identifikationsstrategien auf Situationen, in denen eine einfache Anpassung versagt (hernan-robins-2006-iv, hernan-robins-2016-trial).

Debates

Wie glaubwürdig sind die Annahmen von Instrumentalvariablen?

Instrumentalvariablen können Effekte unter ungemessenen Störgrößen identifizieren, aber ihre Schlüsselannahmen, dass das Instrument das Ergebnis nur durch die Exposition beeinflusst und keine gemeinsame Ursache mit ihr teilt, sind weitgehend unprüfbar und in Anwendungen oft umstritten.

Key figures

• Sander Greenland
• James Robins
• Miguel Hernán
• Judea Pearl

Seminal works

• greenland-robins-1986
• hernan-robins-2006-iv
• hernan-robins-2016-trial

Frequently asked questions

Was ist der Unterschied zwischen Identifikation und Schätzung?

Die Identifikation fragt, ob die kausale Größe unter den angegebenen Annahmen in Bezug auf beobachtbare Daten ausgedrückt werden kann; die Schätzung fragt, wie sie aus einer endlichen Stichprobe präzise berechnet werden kann, sobald sie identifiziert ist.

Was ist die Annahme der 'nicht gemessenen Störgrößen'?

Oft als Austauschbarkeit bezeichnet, besagt sie, dass, bedingt durch gemessene Kovariaten, exponierte und nicht exponierte Gruppen die gleiche Ergebnisverteilung gehabt hätten, wenn sie die gleiche Exposition erhalten hätten; sie ist für die anpassungsbasierte Identifikation erforderlich und in der Regel unprüfbar.