نقشهٔ علّی می‌سازد و نقش هر متغیر را تعیین میکند — مخدوشگر، میانجی یا برخوردگر — و می‌گوید کدام باید کنترل شود، کدام نباید، و کدام ادعای علّی واقعاً قابل دفاع است.
دستیار تحلیل مخدوشگر و اعتبار علّی با رسم نقشهٔ روابط علّی و تفکیک مخدوشگر، میانجی و برخوردگر، مجموعهٔ حداقلی متغیرهای کنترلی را مشخص میکند و جملات دقیق و قابل دفاع برای گزارش شما می‌سازد.
بسیاری از پژوهشگران و ارزیابان سیاست‌گذاری تصور می‌کنند هرچه متغیرهای کنترلی بیشتری وارد مدل‌های آماری کنند، برآورد دقیق‌تری از اثر مداخله به دست می‌آورند. در علم استنباط علّی، این تصور نه‌تنها غلط، بلکه گمراه‌کننده است. کنترل کردن یک متغیر «میانجی» بخشی از اثر واقعی را پنهان میکند و کنترل کردن یک متغیر «برخوردگر» سوگیری جدیدی می‌سازد که تا پیش از آن در دادهها وجود نداشته است. دستیار تحلیل مخدوشگر و اعتبار علّی طراحی شده است تا متغیرهای شما را از منظر نظری و ریاضی غربال کند و پایهٔ ادعاهای علّی شما را مستحکم سازد.
این دستیار دقیقاً چه کاری انجام میدهد؟
این ابزار به شما کمک میکند مرز میان همبستگی آماری و رابطهٔ علّی واقعی را به‌روشنی تفکیک کنید. وظایف اصلی آن عبارت است از:
ترسیم نقشهٔ علّی (DAG): متغیرهای پژوهش شما را در قالب یک نمودار علی جهت‌دار سامان میدهد تا مسیرهای مستقیم، غیرمستقیم و کاذب مشخص شوند.
تفکیک نقش هر متغیر: هر متغیر را به‌دقت در یکی از دسته‌های «مخدوشگر» (Confounder)، «میانجی» (Mediator)، «برخوردگر» (Collider) یا متغیرهای پس از مداخله قرار میدهد.
تعیین مجموعهٔ حداقلی کافی: با استفاده از معیار درِ پشتی (Back-door Criterion)، دقیقاً مشخص میکند کدام متغیرها باید کنترل شوند و کدام متغیرها نباید وارد مدل شوند.
مدیریت مخدوشگرهای اندازه‌گیری‌نشده: جهت سوگیری ناشی از عوامل پنهان را تحلیل کرده و روش‌های استاندارد تحلیل حساسیت (نظیر E-value، کرانهای روزنبام، دلتای اوستر و کرانهای لی) را پیشنهاد میکند.
هشدار در طرح‌های ورود پلکانی: در طرح‌های تفاضل در تفاضل (DiD) با ورود پلکانی، خطاهای مدل‌های سنتی اثرات ثابت دوطرفه را گوشزد کرده و برآوردگرهای جدید را پیشنهاد میدهد.
تدوین قوی‌ترین ادعای قابل دفاع: متنی آماده و مستند ارائه میدهد که بتوانید بدون اغراق و با تکیه بر شواهد، در بخش نتیجه‌گیری مقاله یا گزارش سازمانی خود درج کنید.
چه وقت به آن نیاز دارید؟
طراحی مدل‌های اقتصادسنجی و ارزیابی اثر: زمانی که نمی‌دانید چه متغیرهایی را باید به عنوان کنترل وارد رگرسیون کنید تا از سوگیری متغیر حذف‌شده جلوگیری شود.
پیش از نگارش بخش بحث و نتیجه‌گیری مقاله: وقتی می‌خواهید ادعایی علّی دربارهٔ اثربخشی یک برنامه یا محصول مطرح کنید و نگران داوری‌های علمی هستید.
ارزیابی برنامه‌های توسعه‌ای با اجرای پلکانی: هنگامی که مداخله یا سیاست مورد نظر شما در زمانهای متفاوتی برای گروههای مختلف اجرایی شده است.
مواجهه با دادههای ناقص یا متغیرهای ثبت‌نشده: زمانی که می‌دانید عاملی کلیدی در دادهها ثبت نشده و نیاز دارید نشان دهید نتایج شما چقدر در برابر این متغیر پنهان حساس است.
چه ورودی‌ای بدهید تا بهترین نتیجه را بگیرید؟
برای دریافت تحلیلی شفاف و بدون خطا، اطلاعات زیر را در اختیار دستیار بگذارید:
تعریف دقیق متغیر مداخله و پیامد: دقیقاً چه سیاستی اعمال شده و هدف تغییر کدام شاخص بوده است؟
فهرست متغیرهای دردسترس: نام متغیرها و توضیح کوتاه دربارهٔ هریک، به‌ویژه تقدم و تأخر زمانی آنها نسبت به مداخله.
فرضیات شما دربارهٔ سازوکارها: چه عواملی ممکن است همزمان بر انتخاب افراد برای مداخله و نتیجهٔ کار اثر بگذارند؟
طرح ارزیابی: مشخص کنید از چه روشی (مانند رگرسیون ساده، تفاضل در تفاضل، متغیر ابزاری یا ناپیوستگی در رگرسیون) استفاده می‌کنید.
خروجی چه شکلی است؟
پاسخ این دستیار ساختاریافته و در سه بخش در دسترس شما قرار می‌گیرد:
متن تحلیل تحلیلی: تشریح روابط میان متغیرها، نقشهٔ استدلال علّی و دلیل رد یا تأیید کنترل هر متغیر.
جدول تفکیک متغیرها و تهدیدهای اعتبار: فهرستی واضح از نقش هر متغیر، متغیرهای ممنوعه برای کنترل، و جهت سوگیری‌های احتمالی.
جملهٔ آمادهٔ ارجاع: عبارتی دقیق تحت عنوان «قوی‌ترین ادعای علّی قابل دفاع» که مرز دستاورد پژوهش شما را بدون مبالغه ترسیم میکند.
فایل‌های تکمیلی: پیش‌نویس گزارش در قالب فایل متنی و کارپوشهٔ اکسل شامل جدول نقش متغیرها و برنامهٔ تحلیل حساسیت.
محدودیت‌ها و چه وقت مناسب نیست
این دستیار جایگزین آزمون‌های تجربی و فرضیه‌سازی‌های حوزه‌ای نیست و در موارد زیر کارایی ندارد:
مسائل پیش‌بینی بدون دغدغهٔ علّیت: اگر هدف شما در یک مدل یادگیری ماشین فقط رسیدن به بالاترین دقت پیش‌بینی است و مکانیزم علّی برایتان اهمیتی ندارد.
غیبت کامل دانش موضوعی: اگر هیچ اطلاعی دربارهٔ تقدم زمانی رویدادها یا سازوکارهای منطقی میان متغیرها ندارید، این ابزار نمی‌تواند کورکورانه رابطهٔ علّی کشف کند.
اجرای کد و برازش دادهها: این ابزار ساختار نظری و مدل تحلیلی شما را اصلاح میکند، اما بسته‌های آماری را روی دادههای خام شما اجرا نمیکند.
استنباط علّی دقیق نه با افزودن بی‌رویهٔ متغیرها، بلکه با شناخت ساختار روابط میان آنها ممکن میشود. این دستیار به شما اطمینان میدهد که نتایج گزارشتان بر پایه‌ای استوار و مطابق استانداردهای روز علم داده و اقتصادسنجی تدوین شده است.
موضوع‌ها
چه متغیرهایی را باید در تحلیلم کنترل کنم؟
آیا می‌توانم بگویم این برنامه علتِ این تغییر بوده؟
مخدوشگرهای پنهان این ارزیابی کدام‌اند؟
تفاضل در تفاضل من با ورود پلکانی درست است؟
پرسش‌های پرتکرار
تفاوت مخدوشگر و میانجی چیست و چرا نباید هر دو کنترل شوند؟
مخدوشگر متغیری است که همزمان روی مداخله و پیامد اثر میگذارد و حتماً باید کنترل شود تا همبستگی کاذب حذف شود؛ اما میانجی در مسیر علّی بین مداخله و پیامد قرار دارد و کنترل کردن آن باعث میشود بخشی از اثر واقعی مداخله حذف و نادیده گرفته شود.
متغیر برخوردگر چیست و کنترل آن چه خطایی ایجاد میکند؟
برخوردگر متغیری است که خود معلول مداخله و پیامد (یا معلول مخدوشگرهای آنها) است. اگر یک متغیر برخوردگر را در مدل کنترل کنید، رابطهای کاذب و سوگیرانه میان مداخله و پیامد ایجاد میشود که پیش از آن در جامعهٔ آماری وجود نداشته است.
آیا این ابزار کدهای تحلیل آماری مثل R یا Stata را هم اجرا میکند؟
خیر، این دستیار نقشهٔ علّی و فرمولبندی مفهومی مدل شما را تصحیح و استانداردهای اعتبار را بررسی میکند، اما دادههای شما را پردازش نمیکند و کد آماری برای اجرای محاسبات نهایی صادر نمیکند.
ورود پلکانی در روش تفاضل در تفاضل چه مشکلی دارد؟
در طرحهایی که گروههای مختلف در زمانهای متفاوتی وارد برنامه میشوند، روش سنتی اثرات ثابت دوطرفه ممکن است واحدهایی که زودتر درمان شدهاند را به عنوان کنترل استفاده کند که این امر به وزنهای منفی و سوگیری شدید برآورد اثر منجر میشود.
اگر متغیر مهمی را در دادهها اندازه نگرفته باشم، این دستیار چه کمکی میکند؟
دستیار جهت سوگیری ناشی از نبود این متغیر را مشخص کرده و برنامهٔ تحلیل حساسیت مناسب مانند محاسبهٔ E-value یا کرانهای روزنبام را پیشنهاد میدهد تا بتوانید میزان استحکام یافتههای خود را در برابر این عامل پنهان بسنجید.