當因果方向不那麼清楚時，我該如何進行？提供了一個例子
我處理觀測數據並為 DAG 定義假設似乎比教科書中提供的示例更複雜。對我來說，跳過 DAG 部分和條件會容易得多，而且發佈時可能沒有問題。然而，我喜歡在方法下明確我的因果假設的想法。
我將給出一個只有兩個預測變量的簡化示例，因此更容易理解。
背景資料
- 粗略的分析表明，來自不同城鎮的人之間的收入存在非常明顯的多重區域差異
- 性別和年齡等變量或節點在城鎮之間存在差異（p < 0.05），表明需要進行調整分析
- 我已經使用各種預測變量組合完成了不同的單級和多級模型，並且區域差異的結果始終成立。
有向無環圖
藍色箭頭對我來說似乎沒問題；然而，城鎮與性別/年齡之間的關係很難界定。我會帶來一些，也許是愚蠢的例子
- 通過為一種性別提供更多工作（例如男性和採礦城鎮），城鎮可能是不同性別分佈的原因
- 性別可能是改變居住地的原因（例如，當地政策歧視女性，她們搬到另一個城鎮）
- 城鎮可能被污染並縮短我們的預期壽命（年齡）
- 年齡可能是改變居住地的原因（例如搬到另一個城鎮去上大學）
如您所見，因果假設可以是單向的（紅色、綠色）或雙向的（橙色），或者將它們顯示為無向的（無箭頭）（黑色）是否更合理？
目標
- 由於城鎮之間的年齡和性別不同，因此會有一個關於調整分析的問題。目標是使用調整後的分析來確認原始數據分析的結果（使它們更加防彈）——城鎮之間的區域差異。
實現我的目標的最佳方式是什麼？
對我來說，發布最保守的結果似乎是合理的，因為結果不會隨著任何調整而改變。
最保守的調整是什麼？
- 調整一切，年齡和性別，即使他們可能部分充當中介（未知方向或雙向箭頭）？
- 我應該用無向箭頭顯示因果圖（那我應該如何命名）？
- 我應該顯示一個帶有雙向箭頭的因果圖（仍然命名為 DAG？）
- 由於打開後門路徑，無向箭頭和雙向箭頭都會使性別和年齡混淆，我說得對嗎？
您將如何解決並在您的文章中呈現這種情況？
拳頭，我認為使用 DAG 很好，因為它需要仔細考慮因果關係，而這通常是建模的核心。
調整一切，年齡和性別，即使他們可能部分充當中介（未知方向或雙向箭頭）？
一種方法是估計每個變量的淨效應，這些變量可能是混雜因素或中介因素，然後進行適當調整。你如何估計淨效應當然是另一個問題。你也可以只做一個假設（並在論文中陳述這個假設）。另一個想法是擬合幾個模型，其中變量被視為中介或混雜因素，並報告所有結果。由於您只有 2 個變量，即性別和年齡，這似乎是一種合理的方法；這意味著要安裝 4 個模型。
我應該用無向箭頭顯示因果圖（那我應該如何命名）？
我不會這樣做，因為它會使圖表模棱兩可。
我應該顯示一個帶有雙向箭頭的因果圖（仍然命名為 DAG？）
如果您要擬合 4 個模型，我也不會這樣做，因為它與建模不一致。此外，如果它具有雙向弧，則不能將其稱為 DAG（根據定義，DAG 是 dorected）
我將包括 4 個 DAG。
由於打開後門路徑，無向箭頭和雙向箭頭都會使性別和年齡混淆，我說得對嗎？
如果您遵循 DAG 理論，則並非如此，因為沒有方向的弧的存在意味著該圖沒有方向*，*因此不是 DAG。