Modèle ajusté

Par conséquent, le biais de l`utilisation du modèle ajusté M pour estimer l`effet de E sur D est donné par E (βDE “− βDE ′) = E (βDβUE − βDβUE) = 0. Le biais est absent indépendamment de l`amplitude de βUM. On peut noter la similitude du DAG 3 avec les représentations standard des variables instrumentales. 21, 22 en effet, dans le DAG 3, M est un instrument pour l`effet de l`U intermédiaire sur le résultat D. Cependant, nous nous concentrons ici sur l`effet de l`exposition E sur le résultat D. problème 1: chaque fois que vous ajoutez un prédicteur à un modèle, le R-carré augmente, même en raison du hasard seul. Il ne diminue jamais. Par conséquent, un modèle avec plus de termes peut sembler avoir un meilleur ajustement simplement parce qu`il a plus de termes. La figure 1 quantifie le biais de surajustement (c.-à-d., biais dans l`estimation de l`effet total) sous des hypothèses de modèles linéaires généraux (c`est à dire, la direction du biais sera la même sous des hypothèses généralisées de modèles linéaires, mais l`amplitude peut différer selon le lien fonction), où nous définissons (en supposant qu`aucun effet direct de E sur D): en outre, lorsque la mesure d`association est non réductible (par exemple, cotes, 25 densité d`incidence, 26 ou Hazard ratios6), les analyses ajustées de C4 peuvent fournir des résultats différents par rapport au brut analyse et donc confondre l`interprétation, parce que les effets de causalité conditionnels et marginaux peuvent différer dans les modèles non linéaires en raison de la non-réducbilité.

Robinson et Jewell24 ont discuté de ce sujet en détail. Ils ont démontré que la précision relative asymptotique de β * à β̂ est inférieure ou égale à 1, où β * (estimateur de l`effet total) est l`estimateur du coefficient β à partir d`une régression logistique brute et β̂ est l`estimateur analogue d`un modèle ajustant pour un de terminant de résultat non associé à l`exposition. Par conséquent, dans ce cas, l`erreur type pour l`Association brute est inférieure ou égale à la règle ajustée. Cependant, l`estimation ponctuelle ajustée (une estimation de l`effet covariable-conditionnel) sera plus grande ou égale au brut (une estimation de l`effet marginal) et biaisée (très légèrement si la maladie est rare). La diminution relativement faible de l`erreur type avec ajustement est généralement compensée par l`augmentation relativement importante de l`estimation ponctuelle avec ajustement. Ainsi, la puissance statistique pour tester β = 0 à l`aide de l`estimet ajustée est augmentée, mais c`est pour un estimet différent (c`est à dire, l`effet covariable-conditionnel plutôt que l`effet marginal). Dans DAG 3, ajustement pour M ne bloque pas le chemin de l`exposition E au résultat D, même partiellement. C`est parce que la rétention de la constante M ne modifie pas l`effet de l`exposition E sur le résultat D par l`intermédiaire de U.

Par conséquent, les proxys ascendants ne doivent pas être utilisés comme marqueurs de voies lors de la tentative de décomposition des effets causaux totaux. Le DAG 3 pourrait représenter une autre conception de l`étude de l`effet méditant de triglycerides20; ici, M représente une autre cause de changement dans les triglycérides, tels que les facteurs diététiques ou de mode de vie. Il y a un manque de partialité dans les hypothèses générales ou généralisées des modèles linéaires, où nous avons défini (en supposant qu`aucun effet direct de E sur D): dans le modèle linéaire, et comme représenté dans la figure 2, le biais est introduit en C5 lorsque l`association entre le résultat et les extrinsèques variable est forte par rapport à l`erreur dans la variable étrangère; l`ajustement dans ce cas est injustifié et dans les cas extrêmes peut causer le grand biais et la perte de précision. En outre, ce scénario est particulièrement sensible à la stratification de hadrons par une variable non mesurée. 27 le R-carré prédit indique dans quelle mesure un modèle de régression prédit les réponses pour les nouvelles observations.