有向无环图

有向无环图（DAG）是一种由节点和单向箭头组成的图表，用于编码研究者对变量之间因果关系的假设。在流行病学中，DAG使这些假设明确化，并提供正式规则来决定需要调整哪些变量，以便在不引入偏差的情况下估计因果效应。

Definition

有向无环图是一种图，其中节点代表变量，有向边代表假定的直接因果效应，没有路径会返回到其起始节点，用于推导哪些调整可以识别因果效应。

Scope

本主题涵盖因果DAG的结构和解读、混杂因素、中介因素和对撞因素的概念，以及将绘制的图与有效调整集联系起来的图形规则，特别是d-分离和后门准则。这是一份方法学参考资料，而非临床指导。

Core questions

• 如何明确表示因果结构的假设？
• 为了估计因果效应，必须调整哪些变量，哪些变量不能调整？
• 在因果图中，混杂因素、中介因素和对撞因素有何不同？

Key concepts

• 节点和有向边
• 混杂因素、中介因素和对撞因素
• 后门路径和后门准则
• d-分离
• 对撞偏差
• 最小充分调整集

Mechanisms

在DAG中，从一个变量指向另一个变量的箭头表示假定的直接因果效应，而没有箭头则表示假定的没有直接效应。Pearl的后门准则（pearl-1995）识别了一组变量，当以这些变量为条件时，可以阻断暴露与结果之间所有非因果（后门）路径，同时保持因果路径开放，从而得到一个无偏的调整集。Greenland、Pearl和Robins（greenland-pearl-robins-1999）将这一图形理论引入流行病学，展示了如何控制混杂因素，在估计总效应时通常不应控制中介因素，以及绝不能以对撞因素为条件，因为这样做会打开一条虚假路径（对撞偏差）。因此，调整错误的变量可能会产生偏差而不是消除偏差（schisterman-2009），而dagitty等软件则将这些规则付诸实践（textor-2016）。

Clinical relevance

DAG指导临床和公共卫生证据研究中混杂控制的规划，帮助读者理解为何进行或未进行特定调整。它们描述的是分析推理，而不是个体诊断或治疗决策的基础。

Epidemiology

因果DAG现在已成为流行病学中设计和报告观察性研究的标准组成部分，用于证明协变量选择的合理性，并预测选择偏差和对撞偏差。dagitty等工具已使正式的DAG分析在应用工作中变得常规（textor-2016）。

History

Pearl引入了因果图和后门准则，以形式化非实验数据的因果推断（pearl-1995），Greenland、Pearl和Robins于1999年将该框架引入流行病学（greenland-pearl-robins-1999）。随后的应用工作阐明了过度调整和对撞偏差等陷阱（schisterman-2009），并开发了广泛使用的DAG分析软件（textor-2016）。

Debates

调整更多协变量是否会造成损害？

DAG理论表明，以中介因素或对撞因素为条件可能会引入偏差，因此增加协变量并非自动更安全；选择调整集需要明确的因果假设，而非统计便利性。

Key figures

• Judea Pearl
• Sander Greenland
• James Robins
• Enrique Schisterman

Seminal works

• pearl-1995
• greenland-pearl-robins-1999

Frequently asked questions

有向无环图中的“无环”是什么意思？

这意味着任何变量都不能通过遵循箭头的方向最终导致自身；效应是单向流动的，没有反馈循环。

为什么调整对撞因素会产生偏差？

对撞因素是由另外两个变量引起的变量；以其为条件会打开其原因之间虚假的关联，因此调整它可能会引入偏差而不是消除混杂。