Конфаундинг у психологічних дослідженнях: як третій чинник спотворює причинний висновок

Конфаундинг — це змішування причинного ефекту з дією інших чинників. Він виникає тоді, коли порівняння груп або значень змінної X щодо результату Y одночасно відображає не лише можливий вплив X на Y, а й систематичні відмінності, пов’язані з іншою змінною або набором змінних. Через це спостережувана асоціація може перебільшувати, послаблювати, маскувати або навіть змінювати знак причинного ефекту. У психології ця проблема особливо важлива для спостережних і квазіекспериментальних досліджень, де люди не розподіляються між умовами випадково.

У найпростішій схемі є три елементи: X — вплив або експозиція, Y — результат, C — третій чинник. Якщо C впливає і на X, і на Y, відкривається некаузальний шлях X ← C → Y. Тоді зв’язок між X та Y частково або повністю може виникати через C. Сучасна методологія причинного висновку розглядає конфаундинг саме як проблему причинної структури й обмінності порівнюваних груп, а не як просту наявність «третьої змінної» у таблиці даних. Огляд, спеціально орієнтований на клінічну психологію, докладно показує, чому контроль конфаундингу є центральною умовою сильнішого причинного висновку зі спостережних даних D’Onofrio et al., 2020.

Ключове правило просте: статистичне коригування не перетворює будь-яку асоціацію на причинний ефект. Спочатку потрібна причинна модель: що саме вважається впливом, який результат оцінюється, які змінні передують впливу, які є спільними причинами, які лежать на причинному шляху, а які виникають унаслідок відбору. Лише після цього вирішують, що контролювати дизайном або аналізом.

Що таке конфаундинг

Конфаундинг описує ситуацію, у якій оцінюваний зв’язок між X і Y змішаний із впливом інших причинних шляхів. Якщо мета дослідження — оцінити причинний ефект X на Y, нас цікавить порівняння, яке за інших рівних умов відрізняється саме X. У реальних спостережних даних групи часто відрізняються ще до появи X або до моменту його вимірювання. Ці систематичні відмінності можуть пояснювати частину результату.

У потенційно-результатній мові причинного висновку центральним є поняття обмінності: групи з різними значеннями X мають бути порівнюваними щодо того, які результати вони мали б за альтернативних значень X. Рандомізоване призначення створює таку обмінність за механізмом дизайну в очікуванні. У спостережному дослідженні обмінність доводиться обґрунтовувати за допомогою знань про причинну структуру, виміряні коваріати, дизайн та припущення. Систематичний виклад цієї логіки дають Hernán і Robins, Causal Inference: What If.

Термін «конфаундер» зручно використовувати для змінної, яка бере участь у змішуванні. Проте формальна література застерігає від надто простого визначення «це змінна, пов’язана і з X, і з Y». Такої статистичної ознаки недостатньо. Деякі змінні можуть корелювати з X та Y, але їх коригування не усуне зміщення; інші змінні після коригування можуть створити нове зміщення. Саме тому VanderWeele і Shpitser, 2013 розрізняють поняття конфаундингу та формальні критерії того, що слід називати конфаундером.

Чому «третя змінна» — корисне пояснення, але не повне визначення

У вступних курсах конфаундинг часто пояснюють як «проблему третьої змінної»: X пов’язаний з Y, але обидві змінні залежать від C. Це хороший перший образ. Наприклад, у гіпотетичному дослідженні може виявитися, що люди, які частіше користуються певним цифровим сервісом, мають вищий рівень тривоги. З цього ще не випливає, що користування сервісом підвищує тривогу. Передісторія стресу, соціальна ізоляція, вік, умови навчання або роботи можуть впливати і на частоту користування, і на тривогу.

Формальна проблема ширша. Конфаундинг може створюватися кількома змінними одночасно, невиміряними спільними причинами, часовими процесами або механізмом вибору до груп. Іноді коригування однієї змінної блокує некаузальний шлях; іноді потрібен набір коваріат. Тому конфаундинг визначається відносно конкретного причинного питання, конкретного X, конкретного Y та конкретної оцінюваної величини ефекту.

З цього випливає важливе методологічне насліддя: одна й та сама змінна може бути важливою для контролю в одному причинному питанні й не бути потрібною або навіть бути небезпечною для коригування в іншому. Перелік «стандартних контрольних змінних» сам по собі не є причинною моделлю.

Конфаундер, медіатор, колайдер і модифікатор ефекту

Чотири типи змінних часто плутають, хоча вони відповідають різним причинним ролям.

Конфаундер

У простій причинній схемі конфаундер C передує досліджуваному впливу X і є причиною або частиною причинного шляху до X та Y. Шлях X ← C → Y створює асоціацію, яка не належить причинному ефекту X на Y. Контроль достатнього набору таких змінних може закрити цей некаузальний шлях.

Медіатор

Медіатор M лежить після X на причинному шляху X → M → Y. Якщо мета — оцінити загальний ефект X на Y, механічне коригування за M може прибрати частину справжнього ефекту й дати інший параметр — наприклад, певний прямий ефект за додаткових припущень. Медіатор не стає конфаундером лише тому, що статистично пов’язаний і з X, і з Y. Непотрібне коригування змінних на причинному шляху є одним із джерел зміщення через надмірне коригування Schisterman, Cole і Platt, 2009.

Колайдер

Колайдер — змінна, на яку спрямовані стрілки від двох інших змінних, наприклад X → S ← U. Якщо відбирати учасників за S або статистично контролювати S, між X та U може виникнути асоціація, якої не було до такого відбору. Це один із механізмів зміщення через відбір. Тому принцип «контролюй усе, що виміряно» є небезпечним. У психологічній методології цей момент добре пояснений у роботі Rohrer, 2018.

Модифікатор ефекту

Модифікатор ефекту означає, що величина причинного ефекту X може відрізнятися між рівнями іншої змінної. Це питання неоднорідності ефекту, а не автоматично питання зміщення. Наприклад, одна інтервенція може працювати сильніше для певної вікової групи. Така відмінність може бути науково змістовною навіть за відсутності конфаундингу.

Як конфаундинг спотворює причинний висновок

Створює видимий ефект

Коли X насправді не має причинного впливу на Y, спільна причина C може створити ненульову асоціацію. Це класичний випадок, у якому спостережуваний зв’язок помилково читається як дія X.

Перебільшує ефект

Якщо C штовхає X і Y в один бік, груба оцінка може бути більшою за причинний ефект. Наприклад, люди з вищою початковою мотивацією можуть частіше добровільно обирати навчальну програму й водночас мати кращі результати незалежно від програми. Просте порівняння учасників і неучасників тоді змішує ефект програми з початковою мотивацією.

Послаблює або маскує ефект

Конфаундинг може діяти у протилежному напрямку. Якщо люди з вищим ризиком частіше отримують допомогу, то група, що отримала втручання, може мати гірший вихід уже на старті. Без адекватного контролю реальна користь втручання може виглядати малою або нульовою. У медицині та клінічних спостереженнях близький механізм часто називають конфаундингом за показанням.

Змінює напрям асоціації

За певних структур і розподілів даних агрегована асоціація може мати один знак, а після коректного врахування релевантної структури — інший. Це не означає, що будь-яка зміна коефіцієнта після додавання коваріати доводить конфаундинг. Знак і величина зміщення залежать від причинної структури, сили зв’язків, шкали ефекту та моделі.

Конфаундинг і кореляція — різні поняття

Кореляція описує статистичний зв’язок. Конфаундинг описує причину, через яку спостережувана асоціація не збігається з потрібним причинним ефектом. Тому твердження «кореляція не дорівнює причинності» правильне, але воно не пояснює, який саме механізм заважає причинному висновку. Конфаундинг є одним із таких механізмів поруч із зворотною причинністю, зміщення через відбір, похибками вимірювання, неправильним визначенням часової послідовності та помилковою специфікацією моделі.

Для окремого розбору межі між асоціацією та причинним твердженням дивіться статтю «Кореляція і причинність». Якщо дослідження за дизайном є кореляційним, важливо також відрізняти питання дизайну від способу статистичного аналізу: «Кореляційне дослідження в психології» пояснює саме дизайн і межі висновку.

Чому поперечне дослідження особливо вразливе

У поперечному дослідженні X, Y і потенційні конфаундери часто вимірюють в один момент або в межах одного короткого періоду. Це ускладнює встановлення часової послідовності. Якщо невідомо, що передувало чому, дослідник одночасно стикається з можливим конфаундингом і зворотною причинністю.

Наприклад, зв’язок між якістю сну та симптомами тривоги може означати вплив сну на тривогу, вплив тривоги на сон, дію спільних причин або комбінацію цих процесів. Додавання віку, статі та кількох анкетних показників у регресію не розв’язує часову невизначеність автоматично.

Поздовжній дизайн допомагає впорядкувати події в часі, але сам по собі не усуває конфаундинг. Якщо люди з різними траєкторіями X систематично відрізняються за причинами Y, змішування може зберігатися протягом усього спостереження. У повторних вимірюваннях додатково виникає проблема часово-змінних конфаундерів.

Як визначати потенційні конфаундери

Починати з причинного питання, а не з таблиці p-значень

Перший крок — явно сформулювати причинне питання: який вплив X на який результат Y і в якій популяції оцінюється? Після цього визначають момент або період експозиції, момент результату і змінні, які могли причинно впливати на обидва. Якщо цього не зроблено, слово «контроль» часто перетворюється на механічне додавання доступних стовпців у регресійну модель.

Використовувати предметні знання і часовий порядок

Рішення про коригування має спиратися на попередні дослідження, теорію процесу, часову послідовність і знання про механізми. Статистична значущість зв’язку коваріати з X або Y не є достатнім критерієм. Відсутність статистично значущого зв’язку також не гарантує, що змінна не важлива для контролю.

Будувати причинну схему до аналізу

Каузальні орієнтовані ациклічні графи, або DAG, дозволяють явно записати припущення про напрямки причинних зв’язків. Вони допомагають знайти відкриті зворотні некаузальні шляхи між X і Y та набори змінних, достатні для їх блокування. Класична робота Greenland, Pearl і Robins, 1999 показала, як причинні діаграми уточнюють традиційні критерії конфаундингу. Огляд практичного застосування DAG також показує, що прозоре повідомлення цільового ефекту, самого графа й отриманого набору коригування залишається важливою вимогою Tennant et al., 2021.

Окремо про побудову, читання та вибір набору коригування дивіться у статті «Каузальні діаграми DAG».

Не визначати конфаундер лише за зміною коефіцієнта

Правило «додай змінну і подивись, наскільки змінився коефіцієнт X» може бути діагностично корисним у конкретних контекстах, але не замінює причинної логіки. Зміна коефіцієнта може виникати через конфаундинг, колайдерне зміщення, нелінійність, неколапсованість деяких моделей, зміну вибірки через пропущені дані або інші причини.

Не коригувати всі передекспозиційні змінні без розбору

Навіть серед змінних, виміряних до X, не кожна доступна коваріата однаково корисна. Сучасні принципи вибору коваріат формулюють умови, за яких різні стратегії коригування зберігають контроль змішування й уникають небажаних шляхів. Практичний огляд цих принципів дає VanderWeele, 2019.

Конфаундинг у психологічних дослідженнях: типові приклади

Нижче наведені методологічні приклади. Вони ілюструють логіку, а не стверджують, що саме такі причинні зв’язки встановлені емпірично.

Цифрова поведінка і психологічне благополуччя

Припустімо, дослідник порівнює інтенсивність користування соціальною платформою X із депресивними симптомами Y. Самотність C може збільшувати час у платформі й водночас підвищувати ризик симптомів. Сімейний стрес, вік, попередні симптоми або життєві події можуть створювати додаткові шляхи. Одна кореляція X–Y не показує, який із цих механізмів працює.

Психотерапія в реальній практиці

Якщо порівнювати людей, які добровільно почали терапію, з тими, хто її не почав, початкова тяжкість проблеми може впливати і на ймовірність звернення, і на подальший результат. Соціальні ресурси, доступ до допомоги, мотивація та супутнє лікування також можуть відрізнятися. Тому необроблене порівняння груп не є оцінкою причинного ефекту терапії.

Освітня програма і результат навчання

Студенти з вищою мотивацією можуть частіше записуватися на додаткову програму й незалежно від неї мати кращі результати. Якщо мотивація не врахована або виміряна погано, ефект програми може бути завищений. Водночас, якщо після початку програми виникає нова навчальна мотивація як частина її механізму, її механічне коригування може вже означати контроль медіатора, а не конфаундера.

Сон, стрес і тривога

Стрес може погіршувати сон і підвищувати тривогу. Якщо дослідник хоче оцінити причинний ефект якості сну на тривогу, стрес може бути потенційним конфаундером. Але якщо частина стресу виникла вже внаслідок хронічного недосипання, причинна роль змінної змінюється. Саме часовий порядок визначає, що слід оцінювати й контролювати.

Як контролюють конфаундинг дизайном

Рандомізація між умовами

У рандомізованому експерименті механізм випадкового призначення робить експозицію незалежною від доекспериментальних характеристик у ймовірнісному сенсі. Це створює основу для причинного порівняння без необхідності правильно виміряти кожну спільну причину. Важливо: рандомізація учасників між умовами — це не те саме, що випадкове формування вибірки з популяції. Перше стосується внутрішньої причинної порівнюваності, друге — репрезентативності та узагальнення.

Рандомізація не обіцяє, що в конкретній скінченній вибірці кожна характеристика буде чисельно однаковою між групами. Вона задає відомий механізм призначення й усуває систематичне спрямоване призначення за базовими чинниками. Детально про цей дизайн дивіться «Рандомізація в психологічному дослідженні» та «Експериментальний метод у психології».

Обмеження

Дослідник може обмежити включення учасників певним рівнем потенційного конфаундера. Це зменшує варіацію за цим чинником, але одночасно може звузити популяцію, до якої відноситься результат. Обмеження також не контролює інші невраховані причини.

Матчинг і дизайн порівнюваних груп

Підбір схожих учасників або груп за заздалегідь визначеними коваріатами може зменшити відмінності в їх розподілах. Якість такого підходу залежить від того, чи виміряні справді релевантні чинники й чи є достатнє перекриття між групами.

Квазіекспериментальні та природні джерела варіації

Коли рандомізація неможлива, сильніші дизайни намагаються використати механізм призначення або подію, яка створює більш правдоподібне порівняння. Сімейні, порівняння братів і сестер та інші квазіекспериментальні дизайни можуть контролювати частину спільних невиміряних причин, але кожен дизайн має власні припущення й джерела зміщення. D’Onofrio et al., 2020 розглядають ці підходи саме як способи перевіряти конкуруючі причинні пояснення в психологічних і поведінкових дослідженнях.

Як контролюють конфаундинг статистичним аналізом

Стратифікація і стандартизація

Дані можна порівнювати всередині рівнів конфаундера, а потім стандартизувати результат до потрібного розподілу. Логіка проста: замість грубого порівняння груп із різним складом ми робимо порівняння за однакових або стандартизованих значень C. Метод працює лише настільки, наскільки правильно визначено й виміряно потрібний набір C.

Регресійне коригування

Регресійна модель може оцінювати зв’язок X з Y за фіксованих значень виміряних коваріат. Це один із найпоширеніших способів контролю конфаундингу, але фраза «ми скоригували за вік, стать і освіту» сама по собі не робить результат причинним. Потрібні припущення про достатність набору коваріат, правильність функціональної форми, взаємодії, часову послідовність, відсутність критичних невиміряних конфаундерів та коректність вимірювання.

Оцінка схильності (propensity score)

Оцінка схильності (propensity score) — це ймовірність отримати певний вплив або лікування за заданими виміряними коваріатами. Його можна використовувати для матчингу, стратифікації, зважування або як частину інших процедур. Початкова теорія показала, як балансування за propensity score може усувати зміщення через набір спостережуваних коваріат Rosenbaum і Rubin, 1983.

Оцінка схильності (propensity score) не контролює невиміряні причини автоматично. Він також не виправляє погано визначене причинне питання, неправильний набір коваріат, відсутність перекриття між групами або помилки вимірювання. Красивий графік балансу після матчингу не є доказом відсутності невиміряного конфаундингу.

Зважування, g-формула та інші g-методи

Для складніших поздовжніх питань причинного висновку застосовують стандартизацію через g-формулу, inverse-probability weighting та інші g-методи. Вони особливо важливі, коли конфаундер змінюється в часі й сам залежить від попередніх значень впливу. У такій ситуації звичайне регресійне коригування за поточним конфаундером може блокувати частину причинного шляху або створювати інше зміщення. Цю проблему системно розглядають Hernán і Robins.

Аналіз чутливості

Коли невиміряний конфаундинг правдоподібний, корисно не приховувати його за формулюванням «усі важливі змінні враховано», а оцінити, наскільки сильним мав би бути невиміряний чинник, щоб суттєво змінити висновок. Існують різні види аналіз чутливості; E-value є одним зі спеціальних інструментів для певних шкал ефекту, а не універсальним тестом причинності VanderWeele і Ding, 2017.

Виміряний і невиміряний конфаундинг

Статистичне коригування може працювати лише з інформацією, яка є в даних або яку дозволяє дизайн. Якщо важливий спільний причинний чинник взагалі не виміряний, звичайне додавання інших коваріат не гарантує усунення змішування.

Навіть виміряний конфаундер може бути врахований недостатньо. Груба категоризація неперервної змінної, низька надійність вимірювання, різні моменти оцінки, систематичні пропуски або невідповідний інструмент можуть залишати залишковий конфаундинг — залишкове змішування після формального коригування.

Тут важливо розрізняти два методологічні рівні. Конфаундинг — питання причинної структури та дизайну. Психометрична надійність і валідність конкретного тесту — окрема галузь вимірювання. Погана якість вимірювання може погіршити контроль конфаундингу, але це не робить поняття конфаундингу психометричним поняттям.

Зв’язок конфаундингу з якістю причинного дизайну продовжує стаття «Внутрішня і зовнішня валідність дослідження».

Часово-змінний конфаундинг

У поздовжньому дослідженні X може змінюватися від хвилі до хвилі, а разом із ним — потенційні конфаундери. Особливо складна ситуація виникає, коли змінна Lₜ впливає на наступний Xₜ₊₁ і на Y, але сама вже зазнала впливу попереднього Xₜ. Тоді Lₜ одночасно є частиною історії впливу і чинником подальшого призначення.

Звичайна регресія з коригуванням за Lₜ може дати зміщену оцінку загального причинного ефекту, тому що частково контролює наслідок попереднього впливу. Відмова від контролю теж може залишити конфаундинг для наступного впливу. Саме для таких структур були розроблені g-методи. Практичний висновок для читача простий: фраза «ми контролювали всі коваріати в кожній хвилі» не є достатнім описом причинної стратегії.

Чому великий розмір вибірки не лікує конфаундинг

Збільшення вибірки зменшує випадкову невизначеність багатьох оцінок і підвищує статистичну потужність. Воно не усуває систематичне зміщення. Якщо порівнювані групи відрізняються за неврахованою причиною результату, дуже велика вибірка може лише точніше оцінити зміщену величину.

З тієї самої причини мале p-значення не є аргументом проти конфаундингу. p-значення відповідає на питання про сумісність даних із певною статистичною моделлю за її припущень. Воно не вимірює ймовірність того, що причинне пояснення правильне, і не показує, чи закриті всі некаузальні шляхи.

Чому «скоригована модель» не дорівнює причинній моделі

У наукових статтях часто показують «модель 1», «модель 2» і «повністю скориговану модель». Така назва описує набір змінних у регресії, а не епістемічний статус оцінки. Повністю скоригована модель може залишатися конфаундованою, якщо важливі причини не виміряні, і може бути надмірно скоригованою, якщо до неї включено медіатор або колайдер.

Сильніший підхід починається з того, який ефект оцінюється. Після цього причинні припущення визначають мінімально достатній або інший обґрунтований набір коригування. Дані використовують для оцінки параметрів усередині цієї стратегії, а не для автоматичного пошуку «найкращих контролів» за p-значеннями.

Конфаундинг, зміщення через відбір і похибка вимірювання

Ці джерела зміщення можуть співіснувати, але їх треба розрізняти. Конфаундинг виникає через некаузальні шляхи між впливом і результатом, пов’язані зі спільними причинами або механізмом призначення. Selection bias виникає, коли включення в аналіз, участь, спостереження чи збереження у вибірці залежить від змінних так, що створюється або змінюється асоціація. Похибка вимірювання виникає, коли X, Y або коваріати вимірюються з помилкою чи систематичним зміщенням.

Контроль колайдера є важливою точкою перетину: статистичне кондиціювання на змінній, що є спільним наслідком двох причин, може відкрити новий некаузальний шлях і створити зміщення через відбір. Тому причиновий граф допомагає не лише знаходити те, що потрібно контролювати, а й бачити те, чого контролювати не слід. Rohrer, 2018 показує цю логіку на доступних прикладах для психологічних досліджень.

Чи може рандомізоване дослідження мати проблеми, схожі на конфаундинг

Коректна рандомізація усуває систематичне призначення лікування за базовими причинами результату. Проте подальші події можуть ускладнювати причинний висновок: невиконання призначення, втрата учасників, кросовер між умовами, пострандомізаційний відбір, відсутні дані та аналіз змінних, які виникли після рандомізації.

У рандомізованому випробуванні також можуть випадково виникнути числові відмінності базових характеристик. Це не означає, що рандомізація «не спрацювала» або що треба автоматично тестувати кожну базову змінну на статистичну значущість. Сила дизайну походить із відомого випадкового механізму призначення, а не з гарантії ідеальної рівності кожної колонки в конкретній вибірці.

Конфаундинг у неекспериментальній психології

Багато важливих психологічних питань не можна або неетично досліджувати шляхом рандомізації: вплив дитячої травми, соціально-економічних умов, дискримінації, сімейного середовища, природних подій або довготривалих поведінкових факторів. Тому причинне мислення в неекспериментальній психології потрібне не менше, а більше.

Проблема виникає, коли дослідник уникає слова «причина» в методах, але фактично будує пояснення так, ніби коефіцієнт асоціації відображає дію одного чинника на інший. Grosz, Rohrer і Thoemmes, 2020 аргументують, що явне формулювання причинних питань і припущень може покращувати дизайн, аналіз та інтерпретацію неекспериментальних психологічних досліджень. Це не надає спостережним даним експериментальної сили; воно робить умови причинного висновку видимими й перевірюваними.

Як читати дослідження, у якому заявлено контроль конфаундингу

Спочатку визначте, що саме автори називають X і Y та який причинний ефект вони хочуть оцінити. Якщо причинне питання не сформульоване, словосполучення «контроль конфаундерів» уже важко оцінити.

Далі перевірте часовий порядок. Потенційний конфаундер має бути причинно релевантним до моменту досліджуваного впливу; змінні, що з’явилися після X, потребують особливої уваги, бо можуть бути медіаторами, колайдерами або часово-змінними конфаундерами у складнішій історії.

Подивіться, чому обрано саме цей набір коваріат. Сильне обґрунтування посилається на предметні знання, попередні дані та причинну структуру. Слабке — на автоматичний відбір за p-значенням або на фразу «включили всі доступні демографічні змінні».

Перевірте якість вимірювання й перекриття. Навіть правильний за змістом конфаундер може погано контролюватися, якщо його виміряно неточно. Для методів на основі оцінки схильності або weighting підходів важливо, чи є учасники з порівнюваними ймовірностями експозиції в усіх потрібних частинах даних.

Порівняйте основний аналіз із аналізами чутливості. Корисно бачити, як змінюються оцінки за альтернативних специфікацій, що відбувається після обмеження популяції, як автори оцінюють невиміряне змішування і чи узгоджуються результати з іншими дизайнами.

Нарешті, звірте мову висновку з дизайном. Слова «спричиняє», «ефект», «призводить» потребують сильнішого обґрунтування, ніж «асоційовано» або «пов’язано». Сам факт багатофакторної регресії не підвищує силу дизайну до рівня рандомізованого експерименту.

Як досліднику планувати контроль конфаундингу

Стратегія має бути частиною дизайну, а не косметичним етапом після отримання результатів. Спочатку формулюють причинне питання, визначають X, Y, часовий горизонт і цільову популяцію. Потім будують причинну модель, перелічують потенційні спільні причини, уточнюють, які з них можна виміряти і якими інструментами.

Після цього обирають дизайн, що максимально послаблює залежність X від альтернативних причин Y: рандомізацію, обмеження, матчинг, квазіекспериментальну конструкцію або інший відповідний механізм. Статистичний метод добирають під дизайн та цільову оцінювану величину, а не навпаки.

Аналітичний план має заздалегідь фіксувати основний набір коваріат і логіку їх вибору, функціональні форми, взаємодії, роботу з пропущеними даними, діагностику перекриття та заплановані аналізи чутливості. Це зменшує свободу післяфактум вибирати модель за бажаним результатом.

APA Journal Article Reporting Standards вимагають прозоро повідомляти дизайн, аналітичну стратегію, припущення та інші елементи, потрібні для оцінки якості дослідження; окремі модулі стосуються спостережних і поздовжніх дизайнів APA Style JARS. Для нерандомізованих досліджень втручань Cochrane ROBINS-I окремо виділяє домен зміщення через конфаундинг і рекомендує заздалегідь визначати важливі домени конфаундингу Cochrane Handbook, Chapter 25.

Типові помилки інтерпретації

«Ми проконтролювали демографію, отже причинний ефект очищено»

Набір віку, статі, освіти та доходу може бути релевантним, але його достатність залежить від конкретного причинного питання. Конфаундинг не має універсального переліку контрольних змінних.

«Усі коваріати треба включити в модель»

Надмірне коригування може зменшити точність, змінити цільову оцінювану величину або створити зміщення, якщо контролюється медіатор чи колайдер. Більша кількість контролів не означає кращий причинний аналіз.

«Якщо коефіцієнт майже не змінився після коригування, конфаундингу немає»

Невелика зміна після додавання конкретних виміряних змінних говорить лише про цю модель і ці вимірювання. Невиміряні або погано виміряні причини можуть залишатися.

«Якщо результат статистично значущий після коригування, він причинний»

Статистична значущість і контроль систематичного зміщення — різні питання. Можна отримати дуже мале p-значення для зміщеної оцінки.

«Велика вибірка вирішує проблему»

Велика вибірка зменшує випадкову помилку, але не усуває систематичну непорівнюваність груп.

«Поздовжній дизайн автоматично усуває конфаундинг»

Поздовжність покращує інформацію про порядок подій, але не гарантує обмінності. Спільні причини можуть діяти до старту й змінюватися протягом дослідження.

«Оцінка схильності (propensity score) контролює все приховане змішування»

Оцінка схильності (propensity score) балансує те, що було виміряно й включено в модель за відповідних умов. Невиміряний конфаундинг залишається окремою проблемою.

«Будь-яка третя змінна є конфаундером»

Причинна роль змінної важливіша за кількість кореляцій. Третя змінна може бути конфаундером, медіатором, колайдером, проксі, модифікатором ефекту або просто нерелевантною до потрібного причинного ефекту.

Конфаундинг у систематичних оглядах

У систематичному огляді нерандомізованих досліджень конфаундинг оцінюють на рівні конкретного результату конкретного дослідження. Тут важливо не змішувати різні завдання: PRISMA регулює насамперед прозорість звітування систематичного огляду, ROBINS-I оцінює ризик зміщення нерандомізованих досліджень втручань, а GRADE стосується визначеності сукупності доказів. Жоден із цих інструментів сам по собі не є статистичним методом «виправлення» конфаундингу.

Cochrane підкреслює, що для ROBINS-I ключові домени конфаундингу слід визначати ще на етапі протоколу, а оцінку будувати відносно цільового рандомізованого випробування, яке відповідає дослідницькому питанню Sterne et al., Cochrane Handbook. Це допомагає уникати оцінки якості за формальним правилом «аналіз скоригований/не скоригований».

Що робити, коли важливий конфаундер не виміряно

Найкраще рішення часто лежить у дизайні майбутнього дослідження: виміряти пропущену причину, змінити момент вимірювання, використати сильніший механізм призначення або інший дизайн. У вже зібраних даних дослідник має чесно обмежити причинну інтерпретацію й провести релевантний аналіз чутливості.

Іноді застосовують негативні контроли, інструментальні змінні, природні експерименти, порівняння братів і сестер дизайни або інші стратегії, що спираються на спеціальні припущення. Вони не є універсальними «обхідними шляхами». Кожен метод замінює одні припущення іншими, тому його переконливість залежить від предметного контексту.

Найсильніша позиція — показати, які альтернативні пояснення лишаються можливими, які з них перевірені, які дані були б потрібні для їх відсікання і наскільки висновок змінюється за правдоподібних відхилень від припущень.

Часті запитання

Чи є конфаундинг тим самим, що третя змінна?

«Третя змінна» — зручне вступне пояснення. Конфаундинг є точнішим поняттям причинного висновку: важлива роль змінної в причинній структурі й те, чи спотворює вона оцінку конкретного причинного ефекту.

Чи достатньо проконтролювати конфаундер у регресії?

Іноді регресійне коригування є доречним компонентом стратегії. Воно достатнє лише за відповідних причинних і статистичних припущень: потрібний набір змінних виміряно, модель адекватна, є перекриття, немає критичного невиміряного конфаундингу, а контрольовані змінні не відкривають небажані шляхи.

Чи можна довести відсутність конфаундингу?

У спостережному дослідженні абсолютний доказ відсутності всіх невиміряних спільних причин зазвичай недоступний. Можна зробити припущення прозорими, використати сильний дизайн, перевірити виміряні альтернативи, провести аналіз чутливості і шукати узгодження результатів між різними дизайнами.

Чи вирішує рандомізація проблему конфаундингу?

Коректне випадкове призначення є найсильнішим стандартним дизайном для усунення систематичного базового конфаундингу лікування, але подальші проблеми — невиконання призначення, втрати, пострандомізаційний відбір і похилки вимірювання — потребують окремого аналізу.

Чим конфаундинг відрізняється від зміщення через відбір?

Конфаундинг стосується змішування причинного ефекту з альтернативними причинними шляхами між X та Y. Selection bias виникає через механізм потрапляння або збереження в аналізі. Вони можуть співіснувати, а контроль колайдера може сам створити зміщення через відбір.

Чи є медіатор конфаундером?

У стандартному випадку ні: медіатор лежить після X на причинному шляху до Y. Контроль медіатора змінює питання з загального ефекту на інший причинний параметр і потребує додаткових припущень.

Що таке залишковий конфаундинг?

Це залишкове змішування після проведеного коригування. Воно може виникати через невиміряні причини, неточне вимірювання, грубу категоризацію, неправильну функціональну форму або неповний набір коваріат.

Чи можна визначити конфаундер лише за кореляціями в даних?

Ні. Кореляції не встановлюють причинну роль змінної. Вибір коваріат потребує причинного питання, часової структури, предметних знань і явних припущень.

Яке формулювання висновку коректне, якщо конфаундинг не виключено?

Сила мови має відповідати дизайну. Для спостережної асоціації без достатнього причинного обґрунтування коректніше говорити «пов’язано», «асоційовано», «узгоджується з гіпотезою», а не стверджувати встановлений причинний ефект.

Короткий висновок

Конфаундинг — це систематичне змішування причинного ефекту з іншими шляхами, які створюють або змінюють асоціацію між впливом і результатом. Його не можна діагностувати лише p-значенням, кореляцією або автоматичним набором контрольних змінних. Сильний контроль починається з причинного питання, часової структури та дизайну, продовжується обґрунтованим вибором коваріат і завершується аналізом чутливості та мовою висновку, що відповідає силі даних.

Для психологічної науки конфаундинг є центральною ланкою між спостережуваною асоціацією та причинним висновком. Саме тому він належить до методології дизайну й причинного аналізу, а не до окремої статистичної кнопки, яку можна натиснути після збору даних.

Пов’язані статті

Причинність у психологічних дослідженнях: як обґрунтовують причинний ефект — батьківська сторінка про логіку причинного висновку, контрфактичне порівняння та припущення.

Кореляція і причинність: чому зв’язок між змінними не доводить, що одна спричиняє іншу — про межу між статистичною асоціацією та причинним твердженням.

Каузальні діаграми DAG: як графи допомагають планувати причинний аналіз і контроль конфаундингу — про графічне подання причинних припущень, зворотні некаузальні шляхи та вибір змінних для коригування.

Рандомізація в психологічному дослідженні — про випадковий розподіл між умовами й причинну порівнюваність.

Експериментальний метод у психології — про маніпуляцію, контроль, змінні та валідність експериментального дизайну.

Внутрішня і зовнішня валідність дослідження: причинність, узагальнення та компроміси дизайну — про те, наскільки дизайн підтримує причинний висновок і перенесення результатів.

Джерела

American Psychological Association. APA Style Journal Article Reporting Standards (JARS). APA Style JARS: What are they?.

D’Onofrio, B. M., Sjölander, A., Lahey, B. B., Lichtenstein, P., & Öberg, A. S. (2020). Accounting for Confounding in Observational Studies. Annual Review of Clinical Psychology, 16, 25–48. https://doi.org/10.1146/annurev-clinpsy-032816-045030.

Greenland, S., Pearl, J., & Robins, J. M. (1999). Causal diagrams for epidemiologic research. Epidemiology, 10(1), 37–48. PubMed.

Grosz, M. P., Rohrer, J. M., & Thoemmes, F. (2020). The Taboo Against Explicit Causal Inference in Nonexperimental Psychology. Perspectives on Psychological Science, 15(5), 1243–1255. https://doi.org/10.1177/1745691620921521.

Hernán, M. A., & Robins, J. M. (2020). Causal Inference: What If. Boca Raton: Chapman & Hall/CRC. Офіційна сторінка книги.

Rohrer, J. M. (2018). Thinking Clearly About Correlations and Causation: Graphical Causal Models for Observational Data. Advances in Methods and Practices in Psychological Science, 1(1), 27–42. https://doi.org/10.1177/2515245917745629.

Rosenbaum, P. R., & Rubin, D. B. (1983). The central role of the propensity score in observational studies for causal effects. Biometrika, 70(1), 41–55. https://doi.org/10.1093/biomet/70.1.41.

Schisterman, E. F., Cole, S. R., & Platt, R. W. (2009). Overadjustment Bias and Unnecessary Adjustment in Epidemiologic Studies. Epidemiology, 20(4), 488–495. https://doi.org/10.1097/EDE.0b013e3181a819a1.

Sterne, J. A. C., Hernán, M. A., McAleenan, A., Reeves, B. C., & Higgins, J. P. T. Assessing risk of bias in a non-randomized study. Cochrane Handbook for Systematic Reviews of Interventions, Chapter 25. Cochrane Handbook.

Tennant, P. W. G., Murray, E. J., Arnold, K. F., et al. (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. https://doi.org/10.1093/ije/dyaa213.

VanderWeele, T. J., & Shpitser, I. (2013). On the definition of a confounder. The Annals of Statistics, 41(1), 196–220. https://doi.org/10.1214/12-AOS1058.

VanderWeele, T. J., & Ding, P. (2017). Sensitivity Analysis in Observational Research: Introducing the E-Value. Annals of Internal Medicine, 167(4), 268–274. https://doi.org/10.7326/M16-2607.

VanderWeele, T. J. (2019). Principles of confounder selection. European Journal of Epidemiology, 34, 211–219. https://doi.org/10.1007/s10654-019-00494-6.