处理变量(Treatment variable) A:是一个二分变量(dichotomous variable),其中1表示已处理,0表示未处理。
收益变量(Outcome variable) Y:是一个二分变量(dichotomous variable),其中1表示死亡(结局发生),0表示存活(结局未发生)。
根据上面的两个定义,我们就可以表示在处理
a
a
a下
Y
Y
Y的值了,比如在
a
=
1
a=1
a=1的情况下Y的值就是
Y
a
=
1
Y^{a=1}
Ya=1。有时候我们还希望表达的更细致,如表示某个个体在处理a下结局Y发生,可以使用
Y
i
a
=
1
Y_i^{a}=1
Yia=1,对于每个个体
Y
i
a
=
1
≠
Y
i
a
=
0
Y_i^{a=1} \neq Y_i^{a=0}
Yia=1=Yia=0。变量
Y
a
=
1
Y^{a=1}
Ya=1和
Y
a
=
0
Y^{a=0}
Ya=0被称为潜在结果或反事实结果。
平均因果效应
个体因果效应包含:
- 一个感兴趣的结果;
- 处理a=1和a=0的比较;
- 个体的结果 Y a = 1 Y^{a=1} Ya=1和 Y a = 0 Y^{a=0} Ya=0的比较。
平均因果效应包含:
- 一个感兴趣的结果;
- 处理a=1和a=0的比较;
- 人群的结果 Y a = 1 Y^{a=1} Ya=1和 Y a = 0 Y^{a=0} Ya=0的比较。
如果 E [ Y a = 1 ] ≠ E [ Y a = 0 ] E[Y^{a=1}] \neq E[Y^{a=0}] E[Ya=1]=E[Ya=0]则说明人群中存在平均因果效应。平均因果效应可以使用risk difference,risk ratio和odds ratio进行计算。
- P r [ Y a = 1 = 1 ] − P r [ Y a = 0 = 1 ] = 0 Pr[Y^{a=1}=1]-Pr[Y^{a=0}=1]=0 Pr[Ya=1=1]−Pr[Ya=0=1]=0
- P r [ Y a = 1 = 1 ] P r [ Y a = 0 = 1 ] = 1 \frac{Pr[Y^{a=1}=1]}{Pr[Y^{a=0}=1]}=1 Pr[Ya=0=1]Pr[Ya=1=1]=1
- P r [ Y a = 1 = 1 ] / P r [ Y a = 1 = 0 ] P r [ Y a = 0 = 1 ] / P r [ Y a = 0 = 0 ] \frac{Pr[Y^{a=1}=1] / Pr[Y^{a=1}=0]}{Pr[Y^{a=0}=1] / Pr[Y^{a=0}=0]} Pr[Ya=0=1]/Pr[Ya=0=0]Pr[Ya=1=1]/Pr[Ya=1=0]
我们一般无法同时得知个人因果效应的结果,比如一次试验中一个人吃了药以后的血压变化,和本次试验中如果这个人没吃药血压的变化。我们需要使用平均因果效应来衡量因果关系(如果试验组和对照组是完全随机选择的,可以通过计算两组间RD、RR、OR值的差异来说明因果效应)。