Yönlendirilmiş Asiklik Grafik
Yönlendirilmiş asiklik grafik (DAG), değişkenler arasındaki nedensel ilişkiler hakkındaki araştırmacı varsayımlarını kodlamak için kullanılan, düğümlerden ve tek yönlü oklardan oluşan bir diyagramdır. Epidemiyolojide, DAG'ler bu varsayımları açık hale getirmekte ve nedensel bir etkiyi yanlılık (bias) oluşturmadan tahmin etmek için hangi değişkenlerin ayarlanması gerektiğine karar vermek üzere resmi kurallar sağlamaktadır.
Tanım
Yönlendirilmiş asiklik grafik, düğümlerin değişkenleri ve yönlendirilmiş kenarların varsayılan doğrudan nedensel etkileri temsil ettiği bir grafiktir; başlangıç düğümüne geri dönen hiçbir yolu bulunmamaktadır ve nedensel bir etkiyi hangi ayarlamaların tanımladığını türetmek için kullanılmaktadır.
Kapsam
Bu konu, nedensel DAG'lerin yapısını ve okunmasını, karıştırıcılar (confounder), aracı değişkenler (mediator) ve çarpıştırıcılar (collider) kavramlarını ve çizilen bir grafiği geçerli bir ayarlama kümesine bağlayan, özellikle d-ayrımı (d-separation) ve arka kapı kriteri (back-door criterion) gibi grafik kurallarını ele almaktadır. Bu, metodolojik bir referans olup, klinik bir rehberlik niteliği taşımamaktadır.
Temel sorular
- Nedensel yapıya ilişkin varsayımlar nasıl açıkça temsil edilebilir?
- Nedensel bir etkiyi tahmin etmek için hangi değişkenler ayarlanmalı, hangileri ayarlanmamalıdır?
- Nedensel bir grafikte karıştırıcılar, aracı değişkenler ve çarpıştırıcılar nasıl farklılık gösterir?
Anahtar kavramlar
- Düğümler ve yönlendirilmiş kenarlar
- Karıştırıcı, aracı değişken ve çarpıştırıcı
- Arka kapı yolu ve arka kapı kriteri
- d-ayrımı
- Çarpıştırıcı yanlılığı
- Minimal yeterli ayarlama kümesi
Mekanizmalar
Bir DAG'de, bir değişkenden diğerine giden bir ok, varsayılan doğrudan nedensel bir etkiyi kodlamakta; bir okun yokluğu ise doğrudan bir etkinin varsayılan yokluğunu kodlamaktadır. Pearl'ün arka kapı kriteri (pearl-1995), koşullandırıldığında maruziyet (exposure) ve sonuç (outcome) arasındaki tüm nedensel olmayan (arka kapı) yolları bloke eden, nedensel yolu açık bırakan ve böylece yanlılık içermeyen bir ayarlama kümesi sağlayan bir değişken kümesini tanımlamaktadır. Greenland, Pearl ve Robins (greenland-pearl-robins-1999), bu grafiksel kuramı epidemiyologlar için çevirerek, karıştırıcıların nasıl kontrol edilmesi gerektiğini, toplam etkileri tahmin ederken aracı değişkenlerin genellikle koşullandırılmaması gerektiğini ve çarpıştırıcıların koşullandırılmaması gerektiğini, çünkü bunun yanıltıcı bir yol (çarpıştırıcı yanlılığı - collider bias) açtığını göstermişlerdir. Bu nedenle, yanlış değişkenler için ayarlama yapmak, yanlılığı gidermek yerine yanlılık yaratabilmektedir (schisterman-2009) ve dagitty gibi yazılımlar bu kuralları işlevsel hale getirmektedir (textor-2016).
Klinik önem
DAG'ler, klinik ve halk sağlığı kanıtlarını bilgilendiren çalışmalarda karıştırıcı etki (confounding) kontrolünün nasıl planlandığına rehberlik etmekte, okuyucuların belirli bir ayarlamanın neden yapıldığını veya yapılmadığını anlamalarına yardımcı olmaktadır. Analitik muhakemeyi tanımlamakta olup, bireysel tanı veya tedavi kararları için bir temel oluşturmamaktadırlar.
Epidemiyoloji
Nedensel DAG'ler, epidemiyolojide gözlemsel çalışmaların tasarlanması ve raporlanmasında artık standart bir parça haline gelmiştir; kovaryat seçimini gerekçelendirmek ve seçilim ile çarpıştırıcı yanlılığını (collider bias) öngörmek için kullanılmaktadır. dagitty gibi araçlar, uygulamalı çalışmalarda resmi DAG analizini rutin hale getirmiştir (textor-2016).
Tarihçe
Pearl, deneysel olmayan verilerden nedensel çıkarımı resmileştirmek için nedensel diyagramları ve arka kapı kriterini (back-door criterion) tanıtmıştır (pearl-1995). Greenland, Pearl ve Robins ise bu çerçeveyi 1999 yılında epidemiyolojiye taşımışlardır (greenland-pearl-robins-1999). Sonraki uygulamalı çalışmalar, aşırı ayarlama (overadjustment) ve çarpıştırıcı yanlılığı (collider bias) gibi tuzakları açıklığa kavuşturmuş (schisterman-2009) ve DAG'leri analiz etmek için yaygın olarak kullanılan yazılımlar üretmiştir (textor-2016).
Tartışmalar
- Daha fazla kovaryat için ayarlama yapmak zarar verebilir mi?
- DAG kuramı, aracı değişkenler veya çarpıştırıcılar üzerinde koşullandırmanın yanlılık yaratabileceğini göstermektedir; bu nedenle kovaryat eklemek otomatik olarak daha güvenli değildir. Bir ayarlama kümesi seçimi, istatistiksel kolaylıktan ziyade açık nedensel varsayımlar gerektirmektedir.
Öne çıkan isimler
- Judea Pearl
- Sander Greenland
- James Robins
- Enrique Schisterman
İlgili konular
Temel eserler
- pearl-1995
- greenland-pearl-robins-1999
Sıkça sorulan sorular
- Yönlendirilmiş asiklik grafikte 'asiklik' ne anlama gelmektedir?
- Bu, hiçbir değişkenin, okların yönünü takip ederek sonunda kendisine neden olamayacağı anlamına gelmektedir; etkiler geri besleme döngüleri olmaksızın tek yönde akmaktadır.
- Bir çarpıştırıcı için ayarlama yapmak neden yanlılık yaratabilir?
- Bir çarpıştırıcı, iki başka değişken tarafından neden olunan bir değişkendir; üzerinde koşullandırma yapmak, nedenleri arasında yanıltıcı bir ilişki açmaktadır, bu nedenle onun için ayarlama yapmak, karıştırıcı etkiyi (confounding) gidermek yerine yanlılık yaratabilmektedir.