因果识别

因果识别是因果推断中的一个步骤，它探讨在既定假设下，即使原则上，感兴趣的因果量是否可以从现有数据中恢复。它将要估计的概念性问题与如何精确估计的统计问题分开，并且在逻辑上先于任何分析。

Definition

因果识别是指在明确假设下，证明一个定义的因果效应等于一个可以从观测数据分布中计算出来的量。

Scope

本主题涵盖了将因果估计量与观测数据函数联系起来的识别条件，包括可交换性（无未测量混杂）、阳性原则和一致性，以及协变量调整、工具变量和目标试验模拟等策略。它是一个方法学参考，而非临床指导。

Core questions

• 感兴趣的因果效应是否可以从数据中恢复？
• 识别需要哪些假设，它们是否合理？
• 哪种策略（调整、工具变量或试验模拟）可以识别目标效应？

Key concepts

• 估计量与识别
• 可交换性（无未测量混杂）
• 阳性原则
• 一致性
• 工具变量
• 目标试验模拟

Mechanisms

识别需要通过假设将反事实对比与观测量联系起来。Greenland和Robins（greenland-robins-1986）将可交换性（即暴露组和未暴露组如果在相同暴露下会产生可比较的结果）形式化为核心条件，该条件与阳性原则（每个相关亚组都可以经历每种暴露）和一致性（在实际暴露下观察到的结果等于相应的反事实结果）一起，允许通过调整消除混杂。当未测量混杂使得基于调整的识别不可行时，工具变量（一个仅通过暴露影响结果的因素）有时可以在其自身强假设下识别效应（hernan-robins-2006-iv）。将观察性分析框架化为对假设随机目标试验的明确模拟有助于使识别假设透明化并避免常见的设计偏差（hernan-robins-2016-trial）。图形标准提供了一种系统的方法来检查假定因果结构的可识别性（pearl-1995）。

Clinical relevance

因果效应是否可识别决定了关于治疗或暴露的观察性证据是否可以进行因果解释，这对于评估此类证据至关重要。本主题描述了证据生成的逻辑，并非个体诊断或治疗决策的基础。

Epidemiology

识别思维现已融入观察性流行病学和比较效益研究中，研究人员在估计效应之前会陈述其假设。目标试验框架已成为组织使用常规收集健康数据进行研究中识别的广泛使用的工具（hernan-robins-2016-trial）。

History

Greenland和Robins在1986年的论文通过可交换性为流行病学提供了严格的可识别性解释（greenland-robins-1986），图形方法后来提供了检查可识别性的通用标准（pearl-1995）。工具变量和目标试验文献随后将识别策略扩展到简单调整失败的场景（hernan-robins-2006-iv, hernan-robins-2016-trial）。

Debates

工具变量假设的可信度如何？

工具变量可以在存在未测量混杂的情况下识别效应，但其关键假设，即工具变量仅通过暴露影响结果且与暴露没有共同原因，在很大程度上是不可检验的，并且在应用中经常引起争议。

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

识别和估计有什么区别？

识别询问在既定假设下，因果量是否可以用可观测数据表示；估计询问一旦识别，如何从有限样本中精确计算它。

“无未测量混杂”假设是什么？

通常称为可交换性，它指出，在测量协变量的条件下，暴露组和未暴露组如果在接受相同暴露的情况下，会具有相同的结果分布；这是基于调整的识别所必需的，并且通常是不可检验的。