090. Kolider – dlaczego kontrolowanie każdej zmiennej może szkodzić?

W poprzednich lekcjach analizowaliśmy między innymi zmienne zakłócające, mediatory i moderatory. Dziś zajmiemy się rolą, która często prowadzi do błędnych decyzji analitycznych: koliderem. Nazwa może brzmieć technicznie, ale intuicja jest ważna: nie każda zmienna powiązana z ekspozycją i wynikiem powinna być kontrolowana. W niektórych sytuacjach właśnie dodanie takiej zmiennej do modelu regresji, ograniczenie próby do jej określonej wartości albo analizowanie wyłącznie osób, które ją posiadają, może wytworzyć pozorny związek lub zniekształcić związek rzeczywisty.

W tej lekcji uporządkujemy pojęcie kolidera, pokażemy mechanizm jego działania za pomocą grafów przyczynowych oraz omówimy przykłady z medycyny i zdrowia publicznego. Celem nie jest mechaniczne unikanie wszystkich zmiennych pośrednich lub wynikowych, lecz nauczenie się pytania: jaką rolę pełni ta zmienna w założonym modelu przyczynowym?

Czym jest kolider?

W strukturalnym grafie przyczynowym, nazywanym często DAG-em (ang. directed acyclic graph), koliderem jest zmienna, do której prowadzą co najmniej dwie strzałki. Najprostszy schemat wygląda tak:

X → C ← Y

Litera C oznacza kolider, ponieważ ścieżki od X i Y spotykają się w tej zmiennej. Zmienna X może być ekspozycją, Y wynikiem, a C wspólnym skutkiem obu zmiennych. W takim układzie ścieżka X → C ← Y jest początkowo zamknięta. Oznacza to, że sam fakt istnienia kolidera nie tworzy jeszcze związku między X i Y.

Problem pojawia się wtedy, gdy badacz zaczyna warunkować na C. Warunkowanie może oznaczać między innymi:

• dodanie C jako współzmiennej do modelu regresji,
• stratyfikację analizy według wartości C,
• ograniczenie próby do osób z określoną wartością C,
• uwzględnienie w analizie wyłącznie osób, które zostały przyjęte do badania, przeszły test, były hospitalizowane albo odpowiedziały na ankietę, jeżeli te zdarzenia zależą od dwóch innych zmiennych.

Warunkowanie na koliderze może otworzyć ścieżkę, która wcześniej była zamknięta. Wtedy między X i Y pojawia się zależność, mimo że nie musi istnieć bezpośredni związek przyczynowy między tymi zmiennymi. Zjawisko to nazywa się biasem kolidera, obciążeniem wynikającym z warunkowania na koliderze albo selection bias, gdy mechanizm wiąże się z selekcją osób do próby (Greenland, Pearl i Robins, 1999; Cole i in., 2010).

Dlaczego zamknięta ścieżka może zostać otwarta?

W grafach przyczynowych kolider pełni funkcję blokady. Jeśli znamy wartość wspólnego skutku, zaczynamy jednak uzyskiwać informację o jego przyczynach. To zjawisko można wyjaśnić intuicyjnie.

Załóżmy, że do zaliczenia egzaminu potrzebne są dwa składniki: przygotowanie do nauki oraz zdolności analityczne. Wynik egzaminu jest wspólnym skutkiem obu tych cech:

Przygotowanie → Zaliczenie ← Zdolności analityczne

W całej populacji przygotowanie i zdolności analityczne mogą być niezależne. Jeżeli jednak analizujemy wyłącznie osoby, które zdały egzamin, w grupie tej osoba z mniejszym przygotowaniem musi przeciętnie kompensować ten brak wyższymi zdolnościami. Z kolei osoba o niższych zdolnościach może znaleźć się w grupie zdających dzięki większemu przygotowaniu. Wśród osób, które zdały, może więc powstać ujemny związek między przygotowaniem a zdolnościami, chociaż w populacji wyjściowej takiego związku nie było.

To nie znaczy, że wynik egzaminu „powoduje” różnice między przygotowaniem a zdolnościami. Zależność powstaje dlatego, że analizujemy grupę wybraną na podstawie wspólnego skutku. W języku statystycznym mówimy o zależności warunkowej. W języku przyczynowym mówimy o otwarciu ścieżki przez kolider.

Kolider a zmienna zakłócająca

Kolider i confounder pełnią przeciwne role w typowych grafach przyczynowych. Confounder jest zwykle wspólną przyczyną ekspozycji i wyniku:

X ← Z → Y

Jeżeli celem jest oszacowanie związku przyczynowego między X i Y, kontrolowanie odpowiednio zdefiniowanego confoundera Z może zamknąć ścieżkę zakłócającą. W przypadku kolidera mamy natomiast:

X → C ← Y

Ta ścieżka jest już zamknięta. Kontrolowanie C może ją otworzyć i tym samym wprowadzić dodatkowe obciążenie. Dlatego reguła „kontroluj wszystko, co jest powiązane z ekspozycją albo wynikiem” jest niewystarczająca. Sama obserwacyjna korelacja zmiennej z X lub Y nie mówi jeszcze, czy jest ona confounderem, mediatorem, koliderem, predyktorem technicznym czy zmienną będącą skutkiem selekcji.

W praktyce ocena roli zmiennej wymaga wiedzy dziedzinowej, informacji o kolejności czasowej oraz jawnego określenia pytania badawczego. Ten sposób myślenia jest zgodny z zastosowaniem diagramów przyczynowych w epidemiologii i badaniach klinicznych (Greenland, Pearl i Robins, 1999; Tennant i in., 2021).

Przykład 1: hospitalizacja jako kolider

Rozważmy badanie związku między paleniem papierosów a śmiertelnością wśród pacjentów hospitalizowanych. Palenie może zwiększać ryzyko ciężkich chorób, a ciężka choroba niezależnie od palenia może również zwiększać prawdopodobieństwo hospitalizacji. Schemat może wyglądać następująco:

Palenie → Hospitalizacja ← Ciężka choroba

Jeżeli badacz analizuje wyłącznie pacjentów hospitalizowanych, warunkuje na zmiennej będącej wspólnym skutkiem palenia i ciężkiej choroby. Wśród hospitalizowanych osoby palące mogą być przeciętnie mniej obciążone innymi przyczynami ciężkiego stanu, natomiast osoby niepalące mogą trafiać do szpitala z powodu silnych, niezależnych czynników chorobowych. W ten sposób może powstać pozornie słabszy, zerowy, a w określonych warunkach nawet ochronny związek palenia z niektórymi wynikami klinicznymi.

Nie oznacza to, że analiza pacjentów hospitalizowanych jest zawsze bezużyteczna. Oznacza natomiast, że wniosek dotyczy specyficznej, selektywnej populacji, a oszacowanie może być obciążone przez mechanizm przyjęcia do szpitala. Jeśli interesuje nas wpływ palenia na wynik w populacji ogólnej, sama analiza osób hospitalizowanych może nie odpowiadać temu pytaniu.

Podobny problem może pojawić się przy analizie osób, które wykonały określone badanie diagnostyczne. Wykonanie testu może zależeć zarówno od ekspozycji, jak i od objawów lub ryzyka choroby. Sam fakt posiadania wyniku testu staje się wtedy potencjalnym węzłem selekcji, a nie neutralnym kryterium technicznym.

Przykład 2: zakażenie i podatność na infekcję

Załóżmy, że badacz porównuje osoby zaszczepione i niezaszczepione, ale do analizy włącza wyłącznie osoby, które przebyły infekcję. Możliwy graf ma postać:

Szczepienie → Infekcja ← Podatność biologiczna

Szczepienie wpływa na prawdopodobieństwo infekcji, a indywidualna podatność biologiczna również wpływa na to prawdopodobieństwo. Infekcja jest zatem koliderem. W populacji przed infekcją szczepienie i podatność mogą być niezależne, szczególnie gdy szczepienie zostało losowo przydzielone. Po ograniczeniu analizy do osób zakażonych mogą jednak powstać różnice w podatności między grupami szczepienia.

Osoba zaszczepiona, która mimo to uległa infekcji, może przeciętnie mieć większą podatność niż osoba niezaszczepiona, która także zachorowała. W efekcie szczepienie może stać się statystycznie związane z podatnością, choć szczepienie nie powoduje wcześniejszej cechy biologicznej. Jeżeli podatność wpływa również na dalszy przebieg choroby, analiza wyłącznie osób zakażonych może prowadzić do mylących wniosków o skuteczności szczepienia lub ryzyku ciężkiego przebiegu (Hernán i Monge, 2023).

Kontrolowanie kolidera w regresji

Załóżmy, że badacz dopasowuje model:

Y = β0 + β1X + β2C + ε

• Y – zmienna wynikowa, na przykład nasilenie depresji albo śmiertelność,
• X – ekspozycja lub interwencja, na przykład udział w programie profilaktycznym,
• C – zmienna dodana do modelu, która może być koliderem,
• β₀ – wyraz wolny,
• β₁ – współczynnik opisujący związek X z Y przy ustalonej wartości C,
• β₂ – współczynnik dla C,
• ε – składnik losowy i wpływ nieuwzględnionych czynników.

Włączenie C do równania oznacza, że współczynnik β₁ interpretuje się jako związek X z Y przy porównaniu osób o tych samych wartościach C, przynajmniej w sensie modelu. Jeśli C jest koliderem, takie porównanie może być metodologicznie niepożądane, ponieważ sztucznie otwiera ścieżkę między X i Y.

Warto podkreślić, że sam fakt, iż współczynnik po dodaniu C zmienił wartość, nie dowodzi jeszcze wystąpienia biasu kolidera. Zmiana może wynikać z usunięcia confoundingu, z kontroli mediatora, z nieliniowości, interakcji, braków danych, błędu pomiaru albo różnicy w populacji analizowanej. Interpretacja wymaga zatem modelu przyczynowego, a nie tylko porównania dwóch tabel regresji.

Przykład praktyczny: zdrowie psychiczne i udział w badaniu

Wyobraźmy sobie badanie związku między stresem zawodowym a objawami lękowymi. Uczestnictwo w badaniu internetowym może zależeć od wysokiego stresu, ponieważ osoby przeciążone szukają informacji i chętniej wypełniają ankietę. Może też zależeć od nasilonych objawów lękowych, ponieważ osoby doświadczające trudności są bardziej zainteresowane tematyką zdrowia psychicznego.

Możliwy schemat to:

Stres zawodowy → Udział w badaniu ← Objawy lękowe

Jeżeli analizujemy wyłącznie respondentów, warunkujemy na udziale w badaniu. W takiej próbie może pojawić się zniekształcony związek między stresem i lękiem. Kierunek oraz wielkość obciążenia nie są uniwersalne: zależą od siły poszczególnych ścieżek, rozkładów zmiennych i dodatkowych przyczyn selekcji.

Praktyczne działania ograniczające problem obejmują opis procesu rekrutacji, porównanie uczestników z populacją docelową, analizę wzorców braku odpowiedzi oraz rozważenie metod korekty selekcji, jeżeli założenia takich metod są uzasadnione. Nie wystarczy dopisać do modelu zmiennej „uczestnictwo”, ponieważ w analizowanym zbiorze ma ona jedną wartość dla wszystkich osób.

Kiedy kontrolowanie jest uzasadnione?

Nie każda zmienna będąca skutkiem X jest automatycznie koliderem, a nie każdy kolider musi być związany z konkretnym pytaniem w ten sam sposób. Decyzja zależy od celu analizy.

• Jeśli celem jest całkowity efekt X na Y, zwykle nie kontroluje się mediatorów leżących na ścieżce X → M → Y.
• Jeśli zmienna jest confounderem, odpowiednia korekta może zmniejszyć obciążenie.
• Jeśli zmienna jest koliderem na ścieżce X → C ← Y, należy zasadniczo unikać warunkowania na niej.
• Jeśli selekcja przez kolidera jest nieunikniona, na przykład w badaniu klinicznym obejmującym tylko osoby z rozpoznaniem, trzeba jawnie opisać populację, mechanizm selekcji i ograniczenia interpretacji.

W niektórych sytuacjach można zastosować metody zaprojektowane do korekty selekcji, takie jak ważenie prawdopodobieństwem udziału lub modelowanie procesu selekcji. Nie są to jednak rozwiązania automatyczne. Wymagają poprawnego określenia mechanizmu selekcji, odpowiednich danych oraz założeń dotyczących zmiennych obserwowanych i nieobserwowanych (Hernán i Robins, 2020).

Najczęstsze błędy

1. „Kontrolujmy wszystko, co zmienia wynik.” Zmiana współczynnika po dodaniu zmiennej nie jest wystarczającym kryterium. Może wskazywać zarówno na usunięcie confoundingu, jak i na wprowadzenie biasu kolidera.
2. Mylenie kolidera z confounderem. Confounder jest wspólną przyczyną X i Y, a kolider wspólnym skutkiem X i Y. Kierunek strzałek ma zasadnicze znaczenie.
3. Uznawanie selekcji próby za neutralną. Ograniczenie analizy do pacjentów, respondentów, osób z wynikiem testu lub osób pozostających pod opieką specjalistyczną może być warunkowaniem na koliderze.
4. Automatyczne dodawanie zmiennych po ekspozycji. Zmienna zmierzona po rozpoczęciu leczenia lub po wystąpieniu ekspozycji może być mediatorem, koliderem albo elementem procesu selekcji.
5. Interpretowanie korelacji warunkowej jako przyczynowej. Związek obserwowany po kontroli C nie musi oznaczać, że X powoduje Y. Może być wynikiem sztucznie otwartej ścieżki.
6. Budowanie DAG-u na podstawie samej tabeli korelacji. Graf przyczynowy powinien wynikać z wiedzy o mechanizmie, czasie pomiaru i kontekście badania, a nie wyłącznie z obserwowanych zależności.
7. Zakładanie, że bias kolidera ma zawsze jeden kierunek. Obciążenie może osłabiać, wzmacniać, odwracać albo pozornie tworzyć związek. Kierunku nie należy ustalać bez analizy modelu.

Jak pracować z koliderem w projekcie badania?

Przed analizą warto sporządzić prosty diagram przyczynowy obejmujący ekspozycję, wynik, potencjalne confoundery, mediatory, proces selekcji oraz zmienne mierzone po ekspozycji. Następnie należy wskazać, które ścieżki mają zostać zamknięte, a które powinny pozostać otwarte. Pomocne pytania brzmią:

• Czy ta zmienna jest przyczyną X i Y, czy raczej skutkiem jednej lub obu tych zmiennych?
• Czy osoby włączone do próby zostały wybrane na podstawie wartości tej zmiennej?
• Czy pomiar lub dostępność danych zależały od ekspozycji i wyniku albo ich przyczyn?
• Czy analizowane pytanie dotyczy efektu całkowitego, bezpośredniego, czy jedynie opisu predykcyjnego?
• Czy istnieje uzasadnienie dziedzinowe dla określonego kierunku strzałek?

Diagram nie jest dowodem prawdziwości modelu. Jest narzędziem ujawniania założeń. Jego wartość polega na tym, że pozwala wcześniej zauważyć, iż „bogatszy” model regresji może być gorszym modelem do odpowiedzi na konkretne pytanie przyczynowe (Suzuki, Shinozaki i Yamamoto, 2020).

Co warto zapamiętać?

• Kolider to zmienna, do której prowadzą strzałki od co najmniej dwóch zmiennych.
• W schemacie X → C ← Y ścieżka przez C jest początkowo zamknięta.
• Kontrolowanie C, stratyfikacja według C albo selekcja osób na podstawie C może otworzyć tę ścieżkę.
• Otwarcie ścieżki może wytworzyć pozorny związek między X i Y lub zniekształcić związek rzeczywisty.
• Nie należy kontrolować każdej zmiennej automatycznie. Najpierw trzeba określić jej rolę w modelu przyczynowym.
• Confounder zwykle wymaga kontroli, natomiast kolider zwykle nie powinien być kontrolowany.
• Analiza ograniczona do osób hospitalizowanych, przebadanych, zrekrutowanych lub odpowiadających na ankietę może być obciążona przez selekcję.
• Wnioski o przyczynowości wymagają zgodności między pytaniem badawczym, projektem, kolejnością czasową, grafem przyczynowym i metodą analizy.

Najważniejsza zasada tej lekcji brzmi: kontrola statystyczna nie jest z definicji działaniem naprawczym. Może usunąć źródło obciążenia, ale może również otworzyć ścieżkę, która wcześniej nie łączyła ekspozycji z wynikiem. Dlatego decyzja o uwzględnieniu zmiennej powinna wynikać z rozumowania metodologicznego, a nie z automatycznej reguły ani z samego faktu, że zmienna jest dostępna w zbiorze danych. W ramach publicznego szkolenia na statystyk.edu.pl ten sposób myślenia warto traktować jako stały element planowania analizy, a nie wyłącznie jako technikę stosowaną po zebraniu danych.

\n

Źródła i dalsza lektura

\n

1. Greenland, S., Pearl, J., & Robins, J. M. (1999). Causal diagrams for epidemiologic research. Epidemiology, 10(1), 37–48. DOI: 10.1097/00001648-199901000-00008.
2. Cole, S. R., Platt, R. W., Schisterman, E. F., Chu, H., Westreich, D., Richardson, D., & Poole, C. (2010). Illustrating bias due to conditioning on a collider. International Journal of Epidemiology, 39(2), 417–420. DOI: 10.1093/ije/dyp334.
3. Pearl, J. (2009). Causality: Models, Reasoning, and Inference. 2nd edition. Cambridge University Press. Informacja wydawcy / źródło.
4. Hernán, M. A., & Robins, J. M. (2020). Causal Inference: What If. Chapman & Hall/CRC. Informacja wydawcy / źródło.
5. Hernán, M. A., & Monge, S. (2023). Selection bias due to conditioning on a collider. The BMJ, 381, p1135. DOI: 10.1136/bmj.p1135.
6. Suzuki, E., Shinozaki, T., & Yamamoto, E. (2020). Causal diagrams: Pitfalls and tips. Journal of Epidemiology, 30(4), 153–162. DOI: 10.2188/jea.JE20190192.
7. Tennant, P. W. G., Murray, E. J., Arnold, K. F., Berrie, L., Fox, M. P., Gadd, S. C., Harrison, W. J., Keeble, C., Ranker, L. R., Textor, J., Tomova, G. D., Gilthorpe, M. S., & Ellison, G. T. H. (2021). Use of directed acyclic graphs (DAGs) to identify confounders in applied health research: review and recommendations. International Journal of Epidemiology, 50(2), 620–632. DOI: 10.1093/ije/dyaa213.

\n