The positivity assumption in causal mediation analyses? Checked!
Diese Arbeit befasst sich mit der oft übersehenen Positivitätsannahme in kausalen Mediationsanalysen, indem sie den Positivity Regression Trees (PoRT)-Algorithmus erweitert, um kontrollierte, natürliche und interventionelle mediative Effekte zu handhaben, und stellt durch das R-Paket `port` ein praktisches Werkzeug zur Detektion und Diskussion von Verletzungen bereit.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie sind ein Detektiv, der versucht, ein Rätsel zu lösen: Warum ist ein bestimmtes Ereignis eingetreten? In der Welt der Wissenschaft wird dies als kausale Inferenz bezeichnet. Normalerweise suchen Detektive nach einer einfachen Kette von Ereignissen: A verursacht B. Aber das Leben ist selten so geradlinig. Oft verursacht A B, weil es zuerst C verursacht hat, welches dann wiederum B verursachte. Dieser mittlere Schritt, C, wird als Mediator bezeichnet. Zum Beispiel führt hartes Lernen (A) zu besseren Noten (B), weil es das Selbstvertrauen (C) stärkt. Um dies zu beweisen, nutzen Wissenschaftler einen speziellen Werkzeugkasten namens kausale Mediationsanalyse.
Dieser Werkzeugkasten hat jedoch eine sehr strenge Regel namens Positivität. Denken Sie an die Positivität wie an ein Rezept für einen Kuchen. Wenn Sie wissen wollen, wie Zucker den Geschmack beeinflusst, müssen Sie sowohl Kuchen mit Zucker als auch Kuchen ohne Zucker gebacken haben. Wenn Sie nur Daten über Menschen haben, die Zucker gegessen haben, können Sie nicht magisch erraten, was passiert wäre, wenn sie keinen Zucker gegessen hätten. In der Wissenschaft bedeutet „Positivität“, dass für jeden Typ Mensch in Ihrer Studie die Chance bestehen muss, jede mögliche Version der Ursache und des Mediators erfahren zu haben. Wenn eine bestimmte Gruppe von Menschen eine bestimmte Bedingung in Ihren Daten niemals erlebt, bricht die Mathematik zusammen und der Detektiv kann das Rätsel nicht lösen. Das Problem ist, dass die Überprüfung, ob diese Regel verletzt wurde, unglaublich schwierig ist, besonders wenn es sich um komplexere Ketten handelt.
Hier setzt ein Team von Forschern unter der Leitung von Arthur Chatton mit einem neuen, klugen Werkzeug an. Sie erkannten, dass Wissenschaftler zwar groß darin sind, die „Zucker“-Regel für einfache Ursache-Wirkungs-Beziehungen zu prüfen, aber oft vergessen, sie für komplexere „Zucker-dann-Selbstvertrauen“-Ketten zu überprüfen. Die Autoren argumentieren, dass viele Studien ohne diese Prüfung Schlussfolgerungen aus dem Nichts ziehen. Um dies zu beheben, haben sie eine neue Methode namens dePoRT (decomposition Positivity Regression Trees) entwickelt.
Betrachten Sie dePoRT als ein superintelligentes, automatisiertes „Finde-den-Unterschied“-Spiel. Stellen Sie sich einen riesigen Stapel von Studentendaten vor. Sie möchten wissen, ob Gewalt in der Kindheit zu Gewalt in der Partnerschaft führt, etwa durch die religiöse Bindung oder das Stresslevel eines Studenten. Die Forscher haben einen digitalen Baum gebaut, der diesen Stapel von Studenten bassierend auf ihren Merkmalen (wie Alter, Bildung der Eltern oder Einkommen) in immer kleinere Gruppen aufteilt. Er prüft dann jede einzelne winzige Gruppe auf die Frage: „Haben wir hier genug Menschen, die die Ursache erlebt haben? Haben wir hier genug Menschen, die den Mediator erlebt haben?“
Wenn der Baum eine Gruppe findet, in der beispielsweise nur 2 % der Studenten eine hohe religiöse Bindung aufweisen (während die Mathematik mehr erfordert, um sicher zu sein), markiert er diese Gruppe als „Verletzung“. Es ist wie eine rote Ampel für ein bestimmtes Viertel, die dem Forscher sagt: „Hey, du kannst die Ergebnisse für diese spezifischen Menschen nicht vertrauen, weil die Daten fehlen.“
Das Paper erfindet dieses Werkzeug nicht nur, sondern hat es auch an echten Daten von 6.224 Universitätsstudenten getestet. Sie fanden heraus, dass das Gesamtergebnis der Studie zwar gut aussah, aber spezifische Untergruppen – wie Studenten mit bestimmten Kombinationen aus Bildungsniveau der Eltern und Alter – nicht die notwendigen Daten besaßen, um den Zusammenhang zwischen Gewalt und Stress oder Religion zu belegen. In einigen Fällen bedeutete dies, dass die Forscher ihre Strategie ändern mussten. Anstatt zu versuchen, den „natürlichen“ Effekt zu berechnen (was passieren würde, wenn sich das Stresslevel eines Studenten magisch ändern würde), wechselten sie zu einem „interventionellen“ Effekt (was passieren würde, wenn wir den Stress für alle erzwingen würden, zu verändern). Dieser Wechsel ermöglichte es ihnen, selbst bei unvollkommenen Daten eine zuverlässige Antwort zu erhalten.
Die Autoren betonen vorsichtig, dass dies kein Zauberstab ist, der kaputte Daten repariert. Wenn eine Gruppe von Menschen eine bestimmte Bedingung strukturell nicht erleben kann (zum Beispiel, wenn es für eine bestimmte Untergruppe physisch unmöglich ist, hohen Stress zu empfinden), kann keine Mathematik der Welt das beheben. Aber für Fälle, in denen die Daten nur zufällig fehlen (zufällige Verletzungen), hilft dePoRT den Wissenschaftlern zu sehen, wo genau die Lücken liegen. Durch den Einsatz dieses Werkzeugs können Forscher aufhören zu raten und stattdessen genau zu wissen, welche Teile ihrer Studie solide und welche Teile wackelig sind. Sie haben ihr Werkzeug sogar kostenlos und einfach nutzbar gemacht, indem sie ein R-Paket bereitgestellt haben, in der Hoffnung, das gesamte Feld der kausalen Mediation ehrlicher und transparenter zu machen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.