การอนุมานเชิงสาเหตุ
การอนุมานเชิงสาเหตุเป็นสาขาหนึ่งของระบาดวิทยาและชีวสถิติที่เกี่ยวข้องกับการตัดสินใจว่าความสัมพันธ์ที่สังเกตได้ระหว่างการสัมผัสและผลลัพธ์สะท้อนถึงความสัมพันธ์แบบเหตุและผลที่แท้จริงหรือไม่ แทนที่จะเป็นเรื่องของโอกาส อคติ หรือตัวแปรกวน การอนุมานเชิงสาเหตุเป็นกรอบแนวคิด เครื่องมือกราฟิก และวิธีการวิเคราะห์ที่ช่วยให้นักวิจัยสามารถตั้งคำถามเชิงสาเหตุได้อย่างแม่นยำ และตัดสินว่าข้อมูลที่มีอยู่สามารถตอบคำถามเหล่านั้นได้หรือไม่
Definition
การอนุมานเชิงสาเหตุคือชุดของกรอบแนวคิดและวิธีการที่เป็นทางการที่ใช้ในการกำหนดผลกระทบเชิงสาเหตุ ระบุสมมติฐานที่สามารถประมาณค่าได้จากข้อมูล และประเมินว่าข้อสรุปที่ได้มีความน่าเชื่อถือเพียงใดต่อการละเมิดสมมติฐานเหล่านั้น
Scope
สาขานี้รวบรวมกลไกหลักของการให้เหตุผลเชิงสาเหตุสมัยใหม่ในการวิจัยด้านสุขภาพ: เกณฑ์เชิงสาเหตุและทฤษฎีของความเป็นเหตุเป็นผล, กราฟระบุทิศทางแบบไม่มีวงจรสำหรับการเข้ารหัสสมมติฐาน, เงื่อนไขการระบุที่เชื่อมโยงค่าประมาณเชิงสาเหตุกับปริมาณที่สามารถประมาณค่าได้, การวิเคราะห์ความไวสำหรับอคติที่ไม่ได้วัด และกรอบแนวคิดแบบตรงกันข้าม (ผลลัพธ์ที่เป็นไปได้) ที่เป็นรากฐานของทั้งหมดนี้ นี่คือการอ้างอิงทางระเบียบวิธีวิจัย ไม่ใช่แนวทางทางคลินิก
Sub-topics
Core questions
- เมื่อใดที่ความสัมพันธ์ทางสถิติสนับสนุนข้อสรุปเชิงสาเหตุ?
- ต้องมีสมมติฐานใดบ้างในการระบุผลกระทบเชิงสาเหตุจากข้อมูลจากการสังเกต?
- จะทำให้สมมติฐานเหล่านั้นชัดเจนและตรวจสอบได้อย่างไร?
- ข้อสรุปเชิงสาเหตุมีความอ่อนไหวต่อตัวแปรกวนที่ไม่ได้วัดหรืออคติอื่น ๆ มากน้อยเพียงใด?
Key concepts
- เหตุการณ์ตรงกันข้ามและผลลัพธ์ที่เป็นไปได้
- ตัวแปรกวนและการแลกเปลี่ยนกันได้
- กราฟระบุทิศทางแบบไม่มีวงจร
- การระบุและค่าประมาณ
- การวิเคราะห์ความไว
- มุมมองของ Hill เกี่ยวกับความเป็นเหตุเป็นผล
Mechanisms
การอนุมานเชิงสาเหตุสมัยใหม่ตั้งอยู่บนแบบจำลองผลลัพธ์ที่เป็นไปได้ (ตรงกันข้าม) ที่เป็นทางการโดย Rubin (rubin-1974) ซึ่งผลกระทบเชิงสาเหตุคือความแตกต่างระหว่างผลลัพธ์ที่จะเกิดขึ้นภายใต้การสัมผัสที่แตกต่างกันและไม่รวมกันสำหรับหน่วยเดียวกัน กราฟระบุทิศทางแบบไม่มีวงจร (greenland-pearl-robins-1999) แปลสมมติฐานที่สำคัญเกี่ยวกับความสัมพันธ์ของตัวแปรไปเป็นกราฟที่มีโครงสร้างกำหนดว่าการปรับเปลี่ยนใดที่ขัดขวางตัวแปรกวน และการปรับเปลี่ยนใดที่จะนำไปสู่อคติ การระบุถามว่าภายใต้สมมติฐานที่ระบุ เช่น การแลกเปลี่ยนกันได้ ความเป็นบวก และความสอดคล้อง ความแตกต่างแบบตรงกันข้ามเท่ากับฟังก์ชันของข้อมูลที่สังเกตได้หรือไม่ (hernan-robins-2006) ในกรณีที่ไม่สามารถรับประกันสมมติฐานได้ การวิเคราะห์ความไวจะวัดว่าอคติที่ไม่ได้วัดจะต้องแข็งแกร่งเพียงใดจึงจะสามารถล้มล้างผลการวิจัยได้
Clinical relevance
กรอบแนวคิดการอนุมานเชิงสาเหตุมีอิทธิพลต่อวิธีการสร้างและประเมินหลักฐานจากการสังเกตเกี่ยวกับการรักษา การสัมผัส และปัจจัยเสี่ยง การทำความเข้าใจกรอบแนวคิดเหล่านี้ช่วยให้ผู้อ่านตัดสินได้ว่าผลกระทบที่รายงานมีความน่าเชื่อถือหรือไม่ สาขานี้อธิบายวิธีการให้เหตุผลเกี่ยวกับหลักฐาน และไม่ใช่แหล่งที่มาของคำแนะนำในการวินิจฉัยหรือการรักษาเฉพาะบุคคล
Epidemiology
วิธีการอนุมานเชิงสาเหตุเป็นมาตรฐานในระบาดวิทยาเชิงสังเกต เภสัชระบาดวิทยา และการวิจัยประสิทธิภาพเชิงเปรียบเทียบ ซึ่งการสุ่มตัวอย่างมักเป็นไปไม่ได้ และนักวิจัยต้องสร้างและปกป้องสมมติฐานที่ชัดเจนแทน ประเพณีพหุนิยมเน้นย้ำว่าไม่มีวิธีหรือเกณฑ์เดียวที่สามารถตัดสินความเป็นเหตุเป็นผลได้ด้วยตัวเอง (vandenbroucke-2016)
History
ระบาดวิทยาในศตวรรษที่ 20 เปลี่ยนจากการถกเถียงแบบไม่เป็นทางการเรื่องความสัมพันธ์กับความเป็นเหตุเป็นผล ซึ่งตกผลึกในมุมมองของ Hill ในปี 1965 (hill-1965) ไปสู่ทฤษฎีทางคณิตศาสตร์ที่ชัดเจนของความเป็นเหตุเป็นผล การกำหนดผลลัพธ์ที่เป็นไปได้ของ Rubin ในปี 1974 (rubin-1974) และการพัฒนาแผนภาพเชิงสาเหตุโดย Greenland, Pearl และ Robins ในเวลาต่อมา (greenland-pearl-robins-1999) ได้รวมการให้เหตุผลแบบตรงกันข้ามเข้ากับแบบจำลองกราฟิก และภายในปี 2000 เครื่องมือเหล่านี้ได้กลายเป็นส่วนสำคัญของวิธีการที่นักระบาดวิทยากำหนดและตอบคำถามเชิงสาเหตุ (hernan-robins-2006)
Debates
- มีกรอบแนวคิดที่ถูกต้องเพียงหนึ่งเดียวสำหรับการอนุมานเชิงสาเหตุหรือไม่?
- บางคนโต้แย้งว่าแบบจำลองตรงกันข้ามกับวิธีการกราฟิกเป็นรากฐานที่เป็นหนึ่งเดียว ในขณะที่คนอื่น ๆ ปกป้องมุมมองพหุนิยมที่เกณฑ์และวิธีการที่แตกต่างกันเสริมซึ่งกันและกัน และไม่มีกฎเดียวที่สามารถตัดสินความเป็นเหตุเป็นผลได้
Key figures
- Austin Bradford Hill
- Jerome Cornfield
- Donald Rubin
- James Robins
- Sander Greenland
- Judea Pearl
- Miguel Hernán
Related topics
Seminal works
- hill-1965
- rubin-1974
- greenland-pearl-robins-1999
- hernan-robins-2006
Frequently asked questions
- การอนุมานเชิงสาเหตุแตกต่างจากความสัมพันธ์ทางสถิติปกติอย่างไร?
- ความสัมพันธ์อธิบายว่าตัวแปรเคลื่อนที่ไปด้วยกันในข้อมูลอย่างไร การอนุมานเชิงสาเหตุเพิ่มสมมติฐานที่ชัดเจนเกี่ยวกับวิธีการสร้างข้อมูล เพื่อให้ความสัมพันธ์สามารถตีความได้ว่าเป็นผลกระทบของการเปลี่ยนแปลงตัวแปรหนึ่งต่ออีกตัวแปรหนึ่ง
- สามารถประมาณผลกระทบเชิงสาเหตุได้โดยไม่ต้องมีการทดลองแบบสุ่มหรือไม่?
- ได้ แต่ภายใต้สมมติฐานที่ระบุและมักจะทดสอบไม่ได้ เช่น ไม่มีตัวแปรกวนที่ไม่ได้วัด วิธีการอนุมานเชิงสาเหตุทำให้สมมติฐานเหล่านั้นชัดเจน และช่วยให้นักวิจัยทดสอบว่าข้อสรุปมีความน่าเชื่อถือเพียงใดต่อสมมติฐานเหล่านั้น