Каузальні діаграми DAG: як графи допомагають планувати причинний аналіз і контроль конфаундингу
Український психологічний ХАБ · Опубліковано: 7 жовтня 2026 · Редакційна політика
Каузальна діаграма DAG — це спрямований ациклічний граф, у якому вузли позначають змінні, а стрілки кодують припущені причинні зв’язки між ними. Її головне призначення в причинному аналізі полягає не в тому, щоб красиво намалювати вже знайдені кореляції, а в тому, щоб до статистичного моделювання зробити причинні припущення явними: що може впливати на експозицію, що може впливати на результат, які змінні лежать на причинному шляху, де виникає конфаундинг, де можливе селекційне упередження і які коваріати справді потрібно враховувати.
Це особливо важливо в психології, де дослідник часто має десятки потенційних «контрольних змінних» і легко може припустити, що більша кількість контролю автоматично дає кращий причинний висновок. Графічна причинна логіка показує протилежне: одна змінна може бути потрібною для блокування некаузального шляху, інша — медіатором, через який проходить частина ефекту, а третя — колайдером, контроль якого відкриє шлях і створить зміщення. Rohrer (2018) дає психологічно орієнтований вступ до цієї логіки, а Tennant та співавтори (2021) систематизують використання DAG для вибору змінних у прикладних дослідженнях.
Коротка відповідь: DAG — це карта причинних припущень, а не карта кореляцій
Абревіатура DAG походить від directed acyclic graph — «спрямований ациклічний граф». «Спрямований» означає, що зв’язки мають напрям: X → Y читають як припущення, що X є причиною Y в межах заданої моделі. «Ациклічний» означає, що, рухаючись за напрямом стрілок, не можна повернутися до тієї самої змінної. «Граф» означає сукупність вузлів і стрілок, яка формально представляє структуру причинних припущень.
У класичній роботі Greenland, Pearl і Robins (1999) показали, що причинні діаграми дозволяють визначати змінні, які потрібно виміряти й контролювати для отримання незмішаних оцінок ефекту, а також виявляти помилки простих правил вибору конфаундерів. Сучасні огляди розвивають ту саму ідею: DAG корисний на етапах формулювання питання, планування збору даних, вибору коваріатів, аналізу та прозорого пояснення припущень.
DAG не встановлює причинну структуру самою наявністю стрілок. Стрілки є формалізованими твердженнями дослідника, що спираються на предметні знання, часову логіку, теорію та попередні дані. Дані можуть бути сумісними або несумісними з деякими наслідками графа, але стандартний причинний DAG не перетворює спостережену кореляцію на причинний факт. Poppe та співавтори (2025) наголошують, що розроблення DAG потребує прозорого поєднання предметних знань і методологічних правил.
З чого складається каузальна діаграма
Вузли: змінні, стани або події
Вузол позначає змінну, яку причинна модель вважає релевантною: вплив X, результат Y, потенційний конфаундер C, медіатор M, показник відбору S, невиміряний чинник U. Вузол не зобов’язаний бути змінною, що вже є у файлі даних. У графі доцільно показувати й важливі невиміряні причини, якщо вони потрібні для розуміння того, чому певний ефект не можна ідентифікувати з наявних даних.
Визначення вузлів має бути достатньо конкретним. «Стрес», «сон» або «психічне здоров’я» без часової прив’язки можуть приховувати різні змінні. Для причинного питання часто потрібно розділити, наприклад, базовий рівень тривоги до експозиції, тривогу під час експозиції та результат після неї. Одна й та сама назва конструкта в різні моменти часу може виконувати різні причинні ролі.
Стрілки: прямі причинні припущення в межах графа
Стрілка X → Y означає припущення про прямий причинний вплив X на Y відносно набору змінних, показаних у графі. «Прямий» тут є відносним поняттям: якщо до графа додати проміжний механізм M, зв’язок, який раніше був представлений як X → Y, може бути деталізований як X → M → Y.
Відсутність стрілки також має зміст. У достатньо деталізованому причинному графі вона означає, що дослідник не постулює прямого причинного зв’язку між цими вузлами на обраному рівні опису. Саме тому DAG не варто малювати механічно з матриці кореляцій: нульова, мала або статистично незначуща асоціація не доводить відсутності причинної стрілки, а сильна асоціація не доводить її наявності.
Ациклічність і час
Заборона спрямованих циклів не означає, що психологічні системи позбавлені зворотних зв’язків. Вона означає, що один DAG описує причинний порядок без петлі всередині тієї самої часової індексації. Динамічний процес можна розгорнути в часі: X₁ → Y₂ → X₃. Тоді взаємний вплив у різні моменти представлений без циклу. Для психологічних процесів із повторними вимірюваннями така часова деталізація часто принципово важлива.
Три структури, без яких DAG неможливо читати
Ланцюг і медіатор: X → M → Y
У ланцюзі X впливає на M, а M впливає на Y. M є медіатором на причинному шляху від X до Y. Якщо дослідника цікавить загальний ефект X на Y, контроль M зазвичай заблокує частину саме того причинного шляху, який потрібно оцінити. Тоді оцінка перестане відповідати загальному ефекту. Якщо ж питання стосується прямого ефекту, який не проходить через M, роль медіатора змінюється, а вимоги до ідентифікації стають складнішими.
Звідси випливає важливий принцип: одна й та сама коваріата не має універсального статусу «правильної змінної для контролю». Її роль визначається причинним питанням, часовим порядком та структурою графа. Огляд Tennant та співавторів прямо розрізняє конфаундери, медіатори й колайдери саме тому, що статистичне коригування має різні наслідки для цих ролей.
Розгалуження і конфаундинг: X ← C → Y
У структурі X ← C → Y змінна C є спільною причиною X і Y. Навіть за відсутності причинного ефекту X на Y вона може створити статистичну асоціацію між ними. Відкритий некаузальний шлях X ← C → Y є типовою графічною формою конфаундингу. Щоб оцінити причинний ефект X на Y, цей шлях потрібно заблокувати — наприклад, коректним коригуванням за C, якщо виконуються інші необхідні припущення.
Окремий canonical owner цього поняття — стаття «Конфаундинг у психологічних дослідженнях», де конфаундинг розглянуто від причинної структури до дизайну, коригування та аналізу чутливості.
Вибір конфаундерів не повинен зводитися до правила «візьмемо всі змінні, пов’язані з X або Y». VanderWeele (2019) узагальнює принципи вибору змінних для контролю, а графічні критерії дають формальну основу, коли причинна структура достатньо відома.
Колайдер: X → S ← Y
Колайдер — це вузол, у який на певному шляху входять дві стрілки. У найпростішій структурі X → S ← Y змінна S є спільним наслідком X і Y. Без умовлення на S цей шлях закритий. Якщо ж дослідник контролює S, стратифікує за S, відбирає лише людей з певним значенням S або фактично аналізує вибірку, потрапляння до якої залежить від S, шлях може відкритися і створити некаузальну асоціацію.
Це одна з найменш інтуїтивних причин, чому «додати ще одну контрольну змінну» іноді погіршує аналіз. Elwert і Winship (2014) докладно показують, як умовлення на колайдері породжує ендогенне селекційне упередження. У психології аналогічний механізм може виникати через відбір до дослідження, утримання у вибірці, завершення опитування, звернення по допомогу або включення до спеціалізованої підгрупи.
Шляхи в DAG: як граф відокремлює причинну асоціацію від некаузальної
Шлях — це послідовність з’єднаних вузлів незалежно від того, чи всі стрілки спрямовані в один бік. Причинний шлях від X до Y іде за напрямом стрілок: X → … → Y. Некаузальний шлях може містити стрілку, спрямовану назад до X, спільну причину, колайдер або іншу структуру, яка створює чи змінює спостережувану асоціацію.
Коли метою є оцінка загального причинного ефекту X на Y, бажано залишити причинні шляхи від X до Y відкритими й закрити релевантні некаузальні шляхи. Графічні правила дозволяють визначити, які шляхи вже закриті структурою графа і які потрібно блокувати за допомогою дизайну або аналітичного коригування.
Зворотний шлях, або backdoor path
Класичний «зворотний шлях» починається зі стрілки, що входить у X. У структурі X ← C → Y шлях між X і Y входить у X через C, тому він є зворотним і створює конфаундинг. Ідея критерію задніх дверей полягає в пошуку такого набору змінних, який блокує всі релевантні відкриті зворотні шляхи, не перекриваючи потрібний причинний шлях.
Формальні правила цієї логіки походять із графічної теорії причинності. Практичне застосування для прикладних досліджень описують Greenland, Pearl і Robins та Textor та співавтори. Саме тут DAG переходить від «схеми» до інструмента планування аналізу.
d-сепарація: формальне правило відкритих і закритих шляхів
d-сепарація — це графічний критерій, який визначає, чи блокує заданий набір вузлів усі шляхи між двома змінними за структурою DAG. Для практичного читання достатньо засвоїти три базові правила: умовлення на звичайному проміжному вузлі ланцюга блокує шлях; умовлення на спільній причині блокує шлях через цю причину; колайдер сам закриває шлях, але умовлення на ньому або на його нащадку може цей шлях відкрити.
У великих графах перевіряти всі шляхи вручну незручно, тому застосовують програмні інструменти. Але алгоритм працює лише з тим графом, який дав дослідник. Помилкові причинні припущення породять формально правильну відповідь для помилкової моделі.
Як DAG допомагає вибирати коваріати
Вибір коваріатів для причинного аналізу — не конкурс на найбільшу модель. Ціль полягає в тому, щоб отримати набір коригування, достатній для блокування некаузальних шляхів відповідно до заданого графа й конкретного причинного ефекту. Часто існує кілька достатніх наборів, а деякі з них є мінімальними: видалення будь-якої змінної з такого набору знову залишає відкритим щонайменше один зміщувальний шлях.
DAG особливо корисний тому, що одночасно відповідає на два запитання: «що треба контролювати?» і «що не треба контролювати?». Сучасний посібник BMJ із використання DAG підкреслює, що графи дозволяють визначати конфаундери, мінімально достатні набори коригування, медіатори, колайдери та механізми відбору.
Чому правило «контролювати все доступне» небезпечне
Якщо в модель без причинної логіки додати всі виміряні предиктори результату, можна заблокувати медіатор, відкрити шлях через колайдер або включити змінну, яка є наслідком експозиції. У кожному з цих випадків статистична модель може бути технічно коректною як модель умовної асоціації й водночас не оцінювати той причинний ефект, який заявлено.
Schisterman, Cole і Platt (2009) описують зміщення через надмірне коригування та непотрібне коригування. Графічний підхід робить цю проблему видимою ще до запуску регресії: питання ставиться не як «чи покращує змінна модель?», а як «яку причинну роль ця змінна відіграє відносно цільового ефекту?».
Чому p-значення не може вибрати конфаундер
Конфаундер визначається причинною структурою, а не тим, чи має його коефіцієнт p < .05 у конкретній вибірці. Змінна може бути важливим спільним причинним чинником і мати неточну оцінку через малу вибірку, похибку вимірювання або колінеарність. І навпаки, змінна може бути сильним статистичним предиктором результату, але бути медіатором, колайдером або наслідком експозиції. Тому автоматичний відбір коваріатів за статистичною значущістю не є причинним критерієм.
Умовний приклад: як одна й та сама змінна змінює висновок залежно від ролі
Уявімо спостережне дослідження, яке питає, чи впливає вечірнє користування смартфоном X на стійкість уваги наступного ранку Y. Це лише методологічний приклад, а стрілки нижче є умовними припущеннями, а не твердженнями про встановлені психологічні ефекти.
Припустімо, що вечірнє навчальне навантаження C підвищує ймовірність тривалого користування смартфоном і водночас впливає на ранкову увагу. Тоді маємо X ← C → Y. C лежить на відкритому зворотному шляху й може створити конфаундинг. За такого графа C є кандидатом для коригування.
Тепер припустімо, що частина можливого ефекту X на Y проходить через тривалість сну M: X → M → Y. Якщо дослідника цікавить загальний ефект X на Y, коригування за M заблокує цей причинний шлях і змінить оцінюваний параметр. Якщо цікавить прямий ефект, що не проходить через M, потрібна інша постановка питання й додаткові припущення.
Додамо S — факт завершення ранкового тесту. Якщо на завершення впливають X і певний чинник U, який також впливає на Y, виникає шлях X → S ← U → Y. Без умовлення на S колайдер S його блокує. Якщо аналіз включає лише тих, хто завершив тест, відбір фактично умовлює на S і може відкрити некаузальний шлях. Отже, одна змінна C потребує контролю, іншу M для загального ефекту зазвичай не контролюють, а умовлення на S може саме створити проблему.
Цей приклад пояснює головну практичну цінність DAG: граф не дає універсального списку «добрих» коваріатів. Він показує, чому рішення залежить від причинного питання і від того, яку роль змінна має у структурі.
DAG і регресійний аналіз виконують різні завдання
Регресійний аналіз оцінює статистичні відношення за заданою моделлю. Він може оцінити умовну асоціацію X з Y після врахування C, але сам по собі не визначає, чи C є конфаундером, медіатором, колайдером, наслідком експозиції або просто прогностичною змінною. Це питання причинної структури, а не властивість коефіцієнта регресії.
Тому логічний порядок такий: спочатку сформулювати причинне питання й цільовий ефект; потім побудувати причинну модель; за нею визначити припустимий набір коригування; після цього обрати статистичний метод оцінювання, який відповідає дизайну, типу даних та необхідним припущенням. Регресія в такому процесі є інструментом оцінювання, а DAG — інструментом причинної специфікації.
Це відповідає ширшій логіці причинності у психологічних дослідженнях: статистична модель набуває причинної інтерпретації лише разом із дизайном і припущеннями, що дозволяють ототожнити оцінювану статистичну величину з причинним ефектом.
DAG і структурні моделі: схожі стрілки не означають однаковий метод
Психологи часто знайомі зі схемами структурного моделювання, де змінні також з’єднані стрілками. Через зовнішню схожість DAG легко сплутати зі шляховою діаграмою структурної моделі. Призначення цих інструментів відрізняється.
Kunicki, Smith і Murray (2023) пояснюють, що діаграма структурної моделі є водночас концептуальним і статистичним інструментом: задану модель оцінюють і перевіряють на даних. Каузальний DAG передусім є концептуальним інструментом причинного висновку, який задає припущення та допомагає планувати аналітичну стратегію. Хороша відповідність структурної моделі даним сама по собі не перетворює стрілки на доведені причинні зв’язки.
Це розрізнення особливо важливе для психології з її латентними конструкціями. Питання про те, як вимірювати конструкти, оцінювати надійність, факторну структуру або психометричну валідність, належить до методології вимірювання. DAG у межах A01 використовується для іншого рівня: причинної структури між визначеними змінними та наслідків цієї структури для дизайну й аналізу.
DAG у рандомізованому експерименті
У добре реалізованому рандомізованому експерименті випадковий розподіл розриває систематичний зв’язок між призначенням умови та вихідними причинами результату в межах процедури рандомізації. Тому DAG не потрібен для того, щоб «винайти» базовий набір конфаундерів призначення так само, як у спостережному дослідженні. Проте причинний граф залишається корисним.
Він може показати, що відбувається після рандомізації: недотримання призначеної умови, втрати під час спостереження, проміжні змінні, селекцію, додаткові втручання, похибки вимірювання та різні причинні шляхи до результату. Особливо небезпечно без графічної логіки механічно «контролювати» післярандомізаційні змінні, бо вони можуть бути наслідками призначеної умови.
Логіка маніпуляції, випадкового розподілу й контрольних умов докладніше розглянута в статті «Експериментальний метод у психології». DAG доповнює експериментальний дизайн там, де потрібно формалізувати пострандомізаційні механізми та потенційні шляхи зміщення.
DAG у спостережному дослідженні
Саме у спостережних дизайнах DAG найчастіше потрібен для вибору коваріатів. Експозиція не призначається випадково, тому причини, які вплинули на її виникнення, можуть одночасно впливати на результат. Причинний граф допомагає відокремити такі спільні причини від змінних, які з’являються після експозиції або формують відбір.
Спостережні дані самі по собі не роблять причинний висновок неможливим, але він стає залежнішим від предметних припущень, часової структури, якості вимірювання, моделі відбору та відсутності критичного неконтрольованого конфаундингу. Стаття «Спостереження як метод психологічного дослідження» описує спостереження як спосіб збору поведінкових даних; каузальний DAG вирішує інше питання — як представити причинні припущення щодо змінних у конкретному аналізі.
Як побудувати DAG для причинного питання: робочий алгоритм
1. Сформулюйте причинне питання до вибору коваріатів
Потрібно визначити експозицію або втручання X, альтернативу для порівняння, результат Y, популяцію і часовий горизонт. Формулювання «що пов’язано з Y?» не задає того самого завдання, що «який загальний ефект X на Y у цій популяції за цей період?».
2. Визначте цільовий ефект
Потрібно вирішити, чи йдеться про загальний ефект, прямий ефект, ефект певного режиму впливу або інший причинний параметр. Від цього залежить, які причинні шляхи мають залишатися відкритими. Медіатор може бути частиною загального ефекту й водночас змінною, на якій доведеться умовлювати для окремо сформульованого прямого ефекту.
3. Задайте часовий порядок
Причина має передувати своєму наслідку в тій причинній історії, яку кодує граф. Для повторних вимірювань корисно розділяти один і той самий конструкт за часом: C₀, X₁, M₂, Y₃. Це зменшує ризик намалювати суперечливу структуру й допомагає помітити змінні, що одночасно є наслідками попередньої експозиції та причинами наступної.
4. Додайте причини експозиції та результату, а не лише змінні з таблиці
Початкова версія DAG має відображати причинне знання, а не структуру конкретного набору даних. Якщо важливий спільний причинний чинник не виміряний, його краще показати як невиміряний вузол U, ніж тихо вилучити з графа. Так стає видно, що ефект може залишатися неідентифікованим із наявних даних.
5. Обґрунтуйте кожну стрілку
Стрілки повинні спиратися на предметну теорію, часову можливість, попередні дослідження та експертне знання. Poppe та співавтори у своєму огляді рекомендацій показують, що саме процес інтеграції предметних знань часто описаний недостатньо. Тому якісний DAG потребує не лише картинки, а й прозорого пояснення, чому ключові стрілки включені або виключені.
6. Не використовуйте p-значення як редактор стрілок
Причинну стрілку не слід видаляти лише тому, що відповідний коефіцієнт у конкретній вибірці статистично незначущий. Так само не слід додавати стрілку тільки через високу кореляцію. Дані можуть допомагати перевіряти деякі передбачувані незалежності або виявляти грубу несумісність із моделлю, але причинна орієнтація ребер потребує додаткових припущень.
7. Позначте експозицію й результат та знайдіть зміщувальні шляхи
Після фіксації графа потрібно переглянути всі некаузальні шляхи між X і Y: які з них відкриті, які закриті колайдерами, які виникають через селекцію, де є спільні причини. Саме цей крок перетворює набір стрілок на план контролю конфаундингу.
8. Визначте достатні набори коригування
Граф може мати один, кілька або жодного достатнього набору змінних для заданого ефекту. Коли існує кілька мінімальних наборів, вибір між ними може залежати від якості вимірювання, доступності даних, статистичної ефективності й ризику додаткових похибок. Відсутність виміряного достатнього набору є важливим результатом планування: вона означає, що просте регресійне «докручування» моделі не усуне проблему.
9. Розгляньте альтернативні правдоподібні графи
У складних психологічних питаннях причинна структура рідко відома бездоганно. Корисно явно побудувати кілька правдоподібних DAG, що відрізняються спірними стрілками, і перевірити, чи змінюється набір коригування. Якщо висновок залежить від однієї непевної стрілки, це треба повідомити як суттєве припущення, а не приховувати за єдиною остаточною діаграмою.
10. Зафіксуйте граф до основного аналізу
Якщо DAG конструюють після перегляду всіх асоціацій та результатів, зростає ризик підлаштувати причинну історію під дані. Сильніша практика — розробити й обґрунтувати граф під час планування дослідження або до основного аналізу, зберегти версію, а зміни документувати. Це не робить граф «істинним», але робить аналітичні рішення прозорішими.
DAGitty: що може автоматизувати програма
DAGitty — інструмент для створення й аналізу причинних графів. Він може показувати причинні та зміщувальні шляхи, знаходити мінімально достатні набори коригування, перевіряти, чи заданий набір змінних достатній, і виводити деякі перевірювані наслідки графа.
Методологічну основу програмного підходу описують Textor та співавтори (2016). Важлива межа проста: DAGitty аналізує наслідки введеного графа, але не перевіряє за дослідника правдивість причинних припущень. Якщо в графі пропущено важливу спільну причину або неправильно спрямовано стрілку, програмно отриманий набір коригування буде коректним для заданого DAG, а не обов’язково для реального процесу.
Що DAG робить із конфаундингом — і чого не робить
DAG допомагає побачити конфаундинг як властивість шляхів, а не як ярлик окремої змінної. Це важливе зміщення мислення. Змінна C може лежати на одному відкритому зворотному шляху, але її контроль може одночасно впливати на інший шлях. Тому рішення про коригування оцінюють відносно всього графа й конкретної пари експозиція–результат.
Граф не усуває конфаундинг сам по собі. Він показує, який контроль був би достатнім за заданих припущень. Якщо ключовий конфаундер не виміряно, виміряно дуже неточно або взагалі невідомо, побудова DAG не створює відсутню інформацію. У такій ситуації потрібні інший дизайн, додаткові дані, спеціальні методи ідентифікації або аналіз чутливості, а сила висновку має відповідати невизначеності.
Так само слово «конфаундер» не повинно означати «будь-яка третя змінна». Спільна причина експозиції та результату — типовий конфаундинговий чинник; медіатор і колайдер мають інші ролі. Саме це розрізнення захищає причинний аналіз від механічної практики «контролювати все».
Селекційне упередження як графічна проблема
Відбір може бути представлений окремим вузлом S, що означає потрапляння людини до аналітичної вибірки або збереження її даних. Якщо на S впливають дві змінні, які пов’язані з експозицією й результатом, аналіз лише відібраних спостережень може еквівалентно умовлювати на колайдері. Через це в обраній підвибірці виникають асоціації, яких не було в цільовій популяції.
Ця логіка пояснює, чому селекційне упередження не завжди можна виправити простим додаванням «фактора відбору» в регресію. Elwert і Winship показують, що умовлення на колайдері є саме механізмом, який може створювати зміщення.
У психологічних дослідженнях джерелами селекції можуть бути добровільна участь, відсів між хвилями, пропуски даних, завершення складного завдання, доступ до конкретної установи або відбір за вже спостережуваним результатом. DAG допомагає запитати: що спричинило участь або збереження в аналізі, і чи перетворив цей процес закритий шлях на відкритий?
Похибка вимірювання і латентні психологічні конструкти
Причинний граф зазвичай легше читати, коли вузли названі змістовними психологічними змінними. Однак фактично дослідник часто спостерігає не сам конструкт, а його індикатор: сумарний бал шкали, поведінкову реакцію, цифровий слід або оцінку спостерігача. Похибка вимірювання може змінити причинний аналіз, особливо коли помилки пов’язані з експозицією, результатом або процесом відбору.
DAG можна розширити, розділивши латентну або концептуальну змінну і її виміряний показник. Проте психометрична надійність, валідність тесту, факторна структура, інваріантність вимірювання та інші властивості психологічних шкал мають власну методологію. У причинному DAG важливо не змішувати валідність причинного дизайну з психометричною валідністю інструмента.
Чому DAG не є доказом причинності
Навіть ідеально намальований граф є моделлю припущень. Його корисність полягає в тому, що ці припущення можна побачити, обговорити й пов’язати з аналітичними наслідками. Причинний висновок все одно залежить від того, чи адекватно визначено експозицію й результат, чи правильно задано часовий порядок, чи враховані ключові причини, чи немає критичного невиміряного конфаундингу, чи не спотворює вибірку селекція, чи достатня якість вимірювання й чи відповідає статистичний метод задачі.
Це узгоджується з ширшим принципом, розкритим у статті «Кореляція і причинність»: статистична асоціація сумісна з багатьма причинними структурами. DAG робить альтернативні структури явними, але не скасовує потреби обґрунтовувати їх.
Типові помилки під час використання DAG
Малювати стрілки за матрицею кореляцій
DAG кодує причинні припущення, а не силу парних статистичних зв’язків. Алгоритмічне перетворення «є значуща кореляція — ставимо стрілку» змішує два різні рівні аналізу й не визначає причинний напрям.
Контролювати всі змінні, виміряні до експозиції
Часова передумова важлива, але недостатня. Навіть передекспозиційна змінна може бути колайдером між іншими причинами або не бути потрібною для блокування жодного зміщувального шляху. Календарний порядок не замінює причинної структури.
Контролювати медіатор, коли потрібен загальний ефект
Умовлення на M у X → M → Y прибирає частину причинного шляху від X до Y. Тоді оцінка відповідає іншому питанню. Для прямого ефекту потрібні окремі припущення, а проста фраза «ми контролювали медіатор» не гарантує коректної медіаційної інтерпретації.
Контролювати колайдер
У X → S ← Y колайдер S природно закриває шлях. Умовлення на S може його відкрити. Помилка може виникати не тільки через явне включення S в регресію, а й через відбір вибірки за S, стратифікацію, matching або аналіз лише повних випадків, якщо завершеність даних виконує колайдерну роль.
Вважати, що відсутність стрілки доведена даними
Відсутність ребра є частиною моделі. Деякі графи мають перевірювані статистичні наслідки, але один набір спостережних даних зазвичай не встановлює єдину причинну орієнтацію всіх зв’язків. Коли напрям спірний, його потрібно обґрунтувати або показати альтернативні DAG.
Забувати, який ефект оцінюється
Набір коригування залежить від того, чи потрібен загальний, прямий або інший причинний ефект. Починати з переліку доступних змінних і лише потім вирішувати, що саме означає коефіцієнт X, — методологічно слабший порядок.
Використовувати DAG як декоративну ілюстрацію після аналізу
Найбільша цінність DAG з’являється до основного моделювання, коли він реально впливає на збір даних, часову структуру, визначення змінних і набір коригування. Граф, доданий після отримання бажаного результату без опису процесу побудови, дає менше захисту від аналітичної гнучкості.
Як звітувати DAG у психологічній статті
Прозоре звітування має дозволити читачеві відтворити логіку від причинного питання до статистичної моделі. Огляд Tennant та співавторів виявив значну варіативність у тому, як прикладні роботи повідомляли побудову та використання DAG, а Poppe та співавтори окремо систематизували рекомендації щодо розроблення графів.
Для практичної статті або протоколу доцільно вказати: чітке причинне питання; експозицію й результат; часову структуру; визначення вузлів; джерела й аргументи для ключових стрілок; невиміряні або недоступні змінні; цільовий причинний ефект; усі прийнятні або вибраний достатній набір коригування; причини виключення медіаторів чи колайдерів; програму, якщо вона використовувалася; альтернативні правдоподібні графи, якщо висновок залежить від спірних стрілок.
Корисно також зберігати машиночитаний код графа разом із зображенням. Це полегшує перевірку наборів коригування, версіонування і повторне використання графа. Але код має супроводжуватися змістовним поясненням: назви вузлів і стрілки без предметної аргументації не дають читачеві достатньої інформації про причинні припущення.
Обмеження каузальних DAG
Перше обмеження — залежність від правильності структури. Якщо пропущена важлива спільна причина, набір коригування може виглядати достатнім на графі й залишатися недостатнім у реальному процесі. DAG робить припущення видимими, але не гарантує їх істинності.
Друге — спрощення складних динамічних процесів. Психологічні змінні можуть взаємно впливати одна на одну протягом часу. Такі процеси можна розгортати в часові вузли, але граф швидко стає складним, а причинне питання має бути дуже чітким.
Третє — вимірювання. Навіть правильний концептуальний граф не усуває похибку вимірювання, невірну операціоналізацію або зміну значення конструкта між групами й часом. Якщо виміряний показник погано представляє причинну змінну, оцінка може бути зміщеною.
Четверте — ідентифікація не дорівнює оцінюванню. Граф може показати, що ефект ідентифікується за певним набором коваріатів, але статистичний аналіз усе одно потребує достатньої підтримки даних, адекватної форми моделі, роботи з пропусками, оцінки невизначеності та перевірки інших припущень.
П’яте — різні правдоподібні DAG можуть мати різні аналітичні наслідки. Це не вада методу, а точне відображення того, що причинний висновок залежить від знань, яких може бракувати. Сильна робота показує цю залежність, а не приховує її.
Що DAG змінює в логіці психологічного дослідження
Каузальний граф переносить ключове рішення з етапу «які змінні дати статистичній програмі» на етап «яку причинну систему ми стверджуємо». Це дисциплінує мову висновків: асоціація залишається асоціацією, якщо дизайн і припущення не підтримують причинної інтерпретації; причинний ефект стає окремим цільовим параметром, а контроль коваріатів — наслідком причинної моделі, а не автоматичною процедурою.
У цьому сенсі DAG є мостом між теорією й аналізом. Він змушує дослідника пояснити, що передує чому, які альтернативні пояснення існують, де виникає конфаундинг, як відбір може змінити асоціації та чому конкретна статистична модель відповідає конкретному причинному питанню. Саме така послідовність лежить в основі сучасної причинної інференції; систематичний виклад контрфактичної й графічної логіки доступний у книзі Hernán і Robins «Causal Inference: What If».
Часті запитання
Чи DAG доводить причинність?
Ні. DAG формалізує причинні припущення й показує їхні наслідки для аналізу. Сила причинного висновку залежить від дизайну, якості даних, правдоподібності графа та припущень ідентифікації.
Чи можна побудувати DAG лише зі спостережних даних?
Спостережні дані можуть інформувати деякі аспекти моделі й перевіряти окремі її наслідки, але причинний DAG потребує предметних і часових припущень, яких самі кореляції не визначають. Причинне відкриття структури з даних є окремим класом методів і теж спирається на припущення.
Чи потрібно контролювати всі конфаундери?
Потрібно заблокувати всі релевантні відкриті конфаундингові шляхи для заданого ефекту. Це не означає, що треба включити кожну змінну, яку можна назвати конфаундером у побутовому сенсі. Граф може показати кілька достатніх наборів; якість вимірювання й доступність змінних також важливі.
Чи можна контролювати медіатор?
Залежить від цільового ефекту. Для загального ефекту контроль медіатора зазвичай блокує частину потрібного причинного шляху. Для прямого ефекту медіаційна задача формулюється інакше й потребує додаткових припущень.
Що таке колайдер простими словами?
Колайдер — змінна, яка на певному шляху є спільним наслідком двох інших змінних. Схема X → S ← Y є найпростішим прикладом. Без контролю S шлях закритий; контроль або відбір за S може відкрити його й створити некаузальну асоціацію.
Чи може DAG містити невиміряні змінні?
Так. Невиміряний вузол часто варто показувати саме тому, що він демонструє межу наявних даних. Якщо U є невиміряною спільною причиною X і Y, граф прямо показує можливе залишкове змішування замість створення хибного враження, що виміряні коваріати гарантують контроль конфаундингу.
Чим DAG відрізняється від шляхової діаграми структурної моделі?
DAG у причинному аналізі задає якісну причинну структуру та допомагає визначати шляхи й набори коригування. Структурна модель задає параметризовану статистичну модель, яку оцінюють за даними. Візуально стрілки можуть бути схожими, але їхнє методологічне призначення різне.
Чи потрібен DAG у рандомізованому дослідженні?
Він не замінює рандомізацію, але може бути корисним для пострандомізаційних процесів: недотримання втручання, втрат учасників, медіації, селекції та похибок вимірювання. Граф допомагає не перетворити випадкове призначення на зміщений умовний аналіз.
Чи є DAG статистичним тестом?
Ні. Це графічна причинна модель. Вона може мати перевірювані статистичні наслідки, але основне завдання DAG — сформулювати припущення та визначити, які аналітичні операції відповідають причинному питанню.
Пов’язані статті
Причинність у психологічних дослідженнях: як обґрунтовують причинний ефект — центральний вузол A01 про контрфактичну логіку, ідентифікацію, дизайн та альтернативні пояснення.
Кореляція і причинність: чому зв’язок між змінними не доводить, що одна спричиняє іншу — про межу між статистичною асоціацією і причинним ефектом.
Експериментальний метод у психології: як працює експеримент, змінні та валідність — про маніпуляцію, випадковий розподіл, контроль і логіку експериментального причинного висновку.
Спостереження як метод психологічного дослідження: види, кодування та джерела упередження — про спостереження як спосіб збору даних і межі висновків зі спостережуваної поведінки.