Apakah mungkin untuk memiliki variabel yang bertindak sebagai pengubah efek dan perancu?

Apakah mungkin untuk memiliki variabel yang bertindak sebagai pengubah efek (pengukuran) dan perancu untuk pasangan asosiasi risiko-hasil tertentu?

Saya masih sedikit tidak yakin dengan perbedaan itu. Saya telah melihat notasi grafis untuk membantu saya memahami perbedaannya tetapi perbedaan dalam notasi membingungkan. Penjelasan grafis / visual dari keduanya dan kapan mereka tumpang tindih akan berguna.

Variabel perancu harus:

• Secara independen terkait dengan hasilnya;
• Terkait dengan eksposur
• Tidak boleh terletak pada jalur sebab akibat antara paparan dan hasil.

Ini adalah kriteria untuk mempertimbangkan variabel sebagai variabel perancu potensial . Jika perancu potensial ditemukan (melalui stratifikasi dan pengujian penyesuaian) untuk benar-benar mengacaukan hubungan antara risiko dan hasil, maka setiap asosiasi yang tidak disesuaikan yang terlihat antara risiko dan hasil adalah artefak perancu dan karenanya bukan efek nyata.

Pengubah efek di sisi lain tidak membingungkan. Jika suatu efek nyata tetapi besarnya efek berbeda tergantung pada beberapa variabel X, maka variabel X adalah pengubah efek.

Untuk menjawab pertanyaan Anda karena itu menurut saya tidak mungkin untuk memiliki variabel yang bertindak sebagai pengubah efek dan variabel pengganggu untuk sampel studi tertentu dan sepasang faktor risiko dan hasil yang diberikan.

Anda dapat menemukan informasi lebih lanjut di sini

Ya, sangat mungkin bahwa variabel adalah perancu dan pengubah efek. Kita dapat menjalankan simulasi cepat dalam R untuk memverifikasi ini: Pertimbangkan mekanisme berikut dengan sebagai pengobatan dan hasilnya. mempengaruhi dan dan, oleh karena itu, ia adalah perancu. Tetapi ia juga berinteraksi dengan x dan memodifikasi efeknya pada y.$x$$y$$c$$x$$y$

set.seed(234)
c <- runif(10000)
x <- c + rnorm(10000, 0, 0.1)
y <- 3*x + 2*x*c + rnorm(10000)

Jadi kita tahu mekanisme kausal yang sebenarnya adalah . Jelas, memodifikasi efek . Namun, ketika kami menjalankan regresi pada saja, kami juga melihat pembobolan yang membingungkan:$y = 3*x + 2*x*c$$c$$x$$y$$x$

lm(y ~ x) 
Coefficients:
(Intercept)            x  
     -0.258        4.856 

Akhirnya, seperti yang ditunjukkan dalam komentar saya, definisi yang diberikan oisyutat salah. Itu mencerminkan apa yang disebut Judea Pearl "kriteria asosiasional" untuk perancu, dan ia memberikan banyak alasan mengapa definisi ini gagal. Lihat Pearl (2009), Kausalitas, bagian 6.3.