Ortak neden

Açılış sahnesi

Bir belediyenin yaşlılara yönelik aylık bülteni, halk sağlığı uzmanının masasında açık duruyor. Manşet iddialı: "Halk kütüphanesine üye olan yaşlılarımız daha az hastaneye yatıyor." Altında bir tablo var. Altmış beş yaş üstü 1.500 kişinin bir yıllık kaydında, kütüphaneye üye olan 700 kişiden 90'ı en az bir kez hastaneye yatmış, üye olmayan 800 kişiden 160'ı. Bülten sonucu da yazmış: okumak ve kütüphaneye gitmek sağlığı koruyor.

Uzman tabloyu yanlış bulmuyor; sayılar büyük olasılıkla doğru toplanmış. Takıldığı şey tabloda olmayan bir sütun: üyelerin yaşı. Kütüphaneye düzenli giden biri, oraya yürüyebilen, merdiven çıkabilen, bir kartı yenilemeyi hatırlayan biridir. Bu özelliklerin çoğu yaşla birlikte azalır ve hastaneye yatma olasılığı yaşla birlikte artar. Uzman, kaydı yaşa göre ikiye bölmeye karar veriyor.

Bu derste ne olacak

Önce karıştırıcıyı tanımlayacağız ve neden gözlemsel araştırmanın en büyük sorunu olduğunu göreceğiz. Sonra bültenin tablosunu yaş gruplarına bölüp karıştırıcının bir ilişkiyi nasıl baştan yarattığını sayılarla izleyeceğiz. Ardından sağlıkta en sık karşılaşılan karıştırıcı ailelerini, kontrol yöntemlerini ve en önemlisini, hiçbir yöntemin ölçülmemiş karıştırıcıyı çözemeyeceğini konuşacağız. Ders bittiğinde bir çalışmanın "düzeltildi" ifadesini duyduğunda ne kadar rahatlaman gerektiğini bilebiliyor olacaksın.

Sıfır noktası

Ters nedensellik dersinin sonunda, fabrikanın verisinde bir olasılığın açıkta kaldığını görmüştün: okun ne o yönde ne bu yönde olduğu, iki değişkeni birden üçüncü bir şeyin ürettiği durum (L01-P03-M01-D04). Bu dersin konusu o üçüncü şey. Bültende yaş bu rolde duruyor: yaş kütüphaneye gitmeyi etkiliyor, yaş hastaneye yatmayı etkiliyor ve kütüphane üyeliği kimsenin yaşını değiştirmiyor. İki ok yaştan çıkıyor, üyelik ile yatış arasındaki çizgi ise nedensel olmak zorunda değil.

Tanımın üç parçası da gerekli ve üçüncüsü özellikle önemli: nedensel yol üzerinde bulunmamak. Maruziyetin kendisi tarafından değiştirilen ve etkisini sonuca taşıyan bir değişken karıştırıcı değil, aracıdır ve ona düzeltme yapmak bir hatadır. Bu ayrımı sıradaki derste ayrıntısıyla göreceksin; şimdilik yalnız şunu akılda tut: karıştırıcı maruziyetten önce gelir, maruziyetin bir sonucu değildir.

Mekanizma

Tabloyu yaşa göre bölmek

Uzman kaydı iki yaş grubuna ayırıyor ve ortaya çıkan tablo bültenin tablosundan çok farklı. Altmış beş ile yetmiş dört yaş arasında 1.000 kişi var: 600'ü üye, 400'ü değil ve yatış oranı iki grupta da yüzde on. Yani 600 × 0,10 = 60 üye ve 400 × 0,10 = 40 üye olmayan hastaneye yatmış. Yetmiş beş yaş ve üstünde 500 kişi var: yalnız 100'ü üye, 400'ü değil ve yatış oranı iki grupta da yüzde otuz. Yani 100 × 0,30 = 30 üye ve 400 × 0,30 = 120 üye olmayan yatmış.

Şimdi tabakaları yeniden topla. Üyelerde 60 + 30 = 90 yatış var ve 90 ÷ 700 ≈ yüzde 12,9. Üye olmayanlarda 40 + 120 = 160 yatış var ve 160 ÷ 800 = yüzde 20. Bültenin tablosu tam olarak bu: kaba karşılaştırmada üyelerin yatış oranı, üye olmayanlarınkinin 12,9 ÷ 20 ≈ 0,64'ü. Oysa her iki yaş grubunun kendi içinde üyeler ile üye olmayanlar arasında hiçbir fark yok.

Fark nereden geldi? Üyelerin yedide altısı genç grupta, üye olmayanların ise yarısı yaşlı grupta. Kaba tablo, "kütüphane üyeleri" ile "üye olmayanlar"ı değil, çoğunluğu genç bir grubu çoğunluğu yaşlı bir grupla karşılaştırıyordu. Kütüphane yalnız bu farkın üzerinden görünür hâle gelen bir etiketti. Karşılaştırmayı aynı yaştaki insanlar arasında yapmak, yani tabakalamak, en basit karıştırıcı kontrolüdür ve aşağıda göreceğin düzeltme yöntemlerinin hepsi bu fikrin genişletilmiş biçimleridir.

Neden en büyük sorun

Ters nedensellik zamansal tasarımla çözülebilir, rastlantı tekrarla çözülebilir. Karıştırma ise gözlemle çözülemez, çünkü sorun verinin miktarında değil, verinin nasıl oluştuğunda. Belediye kaydı 1.500 yerine 150.000 kişiyi kapsasaydı, kaba oran yine 0,64 civarında çıkardı, yalnız çok daha dar bir güven aralığıyla. Daha fazla kişi izlemek karıştırıcıyı gidermez; yanlış tahmini daha kesin biçimde verir, yani daha kesin biçimde yanlış olursun.

Sağlıkta sık karşılaşılan karıştırıcı aileleri

Birinci aile sosyoekonomik durum. Gelir ve eğitim beslenmeyi, hareketi, sağlık hizmetine erişimi, çalışma koşullarını ve barınmayı aynı anda etkiler, bu yüzden neredeyse her sağlık ilişkisinde karıştırıcı adayıdır. Kütüphane örneğinde de eğitim düzeyi hem üyeliği hem sağlığı etkiliyor olabilir. İkinci aile yaş: bültende gördüğün gibi hem birçok maruziyetle hem hemen her sonuçla ilişkilidir ve bu yüzden neredeyse her çalışmanın ilk tabakalama değişkenidir.

Üçüncü aile sağlık bilinci. Bir sağlık davranışını benimseyen kişiler genellikle başka sağlıklı davranışları da benimser ve ölçülen davranışın etkisi, ölçülmeyenlerin etkisiyle karışır. Kütüphaneye düzenli giden bir yaşlı, büyük olasılıkla kontrollerini de aksatmıyor, ilaçlarını da düzenli alıyor.

Dördüncü aile tedavi endikasyonu. Bir ilacı alanlar, o ilacı gerektiren bir duruma sahiptir; ilaç alanlarda sonucun kötü olması ilacın zararını değil, hastalığın ağırlığını gösteriyor olabilir. Bu aile, sağlıklı kullanıcı yanlılığının ters yönde çalışan akrabası: orada koruyucu bir etki abartılıyordu, burada zararlı bir etki üretiliyor.

Kontrol yöntemleri

Karıştırıcıyla iki aşamada baş edilir: çalışma tasarlanırken ve veri analiz edilirken. Tasarım aşamasının en güçlü aracı randomizasyon. Maruziyeti kura belirlediğinde, bilinen ve bilinmeyen bütün karıştırıcılar beklenen değerde dengelenir; tek yapısal çözüm budur ve gücü buradan gelir. Belediye kütüphane üyeliğini kurayla dağıtsaydı, iki grubun yaş dağılımı da, eğitimi de, sağlık bilinci de ortalamada aynı olurdu.

Tasarım aşamasının öbür iki aracı daha dar. Eşleştirmede karşılaştırılan gruplar belirli özelliklere göre eşleştirilir, örneğin her üyeye aynı yaşta bir üye olmayan bulunur; yöntem yalnız eşleştirilen değişkenler için çalışır. Kısıtlamada çalışma tek bir alt gruba sınırlanır, örneğin yalnız altmış beş ile yetmiş dört yaş arası alınır; o değişken sabitlenir ama bulgunun genellenebilirliği azalır.

Analiz aşamasında da iki araç var. Çok değişkenli düzeltme, ölçülen karıştırıcıları modele ekler; uzmanın yaş tabakalaması bunun en yalın hâlidir. Eğilim skoru, her kişinin maruziyete girme olasılığını, burada kütüphaneye üye olma olasılığını, ölçülen özelliklerden modeller ve karşılaştırmayı buna göre eşleştirir ya da ağırlıklandırır. İki analiz yönteminin ortak ve aşılamaz bir sınırı var: yalnız ölçülen değişkenlerle çalışırlar.

Aşılamaz sınır: ölçülmemiş karıştırıcı

Bu, gözlemsel araştırmanın kapatılamayan boşluğu. Bir modele ne kadar değişken eklenirse eklensin, ölçülmemiş olan eklenemez ve ölçülmemiş olanın ne olduğu bilinemez. Uzmanın kurgu tablosunda yaş tabakaları içinde fark kalmadı, ama gerçek bir kayıtta aynı yaştaki iki kişi arasında da yürüme gücü, yalnızlık ya da kronik hastalık yükü bakımından fark vardır ve belediyenin kaydı bunların hiçbirini tutmuyor. Yaşı iki kaba gruba ayırmak da hatalı ölçümün bir biçimidir: yetmiş beş ile doksan beş aynı tabakaya düşer.

Ne kadar rahatlamalı

Bu ders karamsar okunmamalı. Gözlemsel araştırma değerlidir ve bazı sorular yalnız onunla cevaplanabilir; hava kirliliği, travma ya da sosyal koşullar gibi randomize edilemeyecek maruziyetler için tek yol odur. Ölçüt şu: gözlemsel bir bulguya duyulacak güven, karıştırma ihtimalinin ne kadar ciddiye alındığına bağlıdır.

Güveni artıran işaretler modülün öteki derslerinden tanıdık: doz–yanıt gradyanı, tersine çevirme, farklı tasarımlarda tutarlılık, mendelian randomizasyonla desteklenme ve duyarlılık analizleri. Bunlara bir tane daha eklenir: ne kadar güçlü bir karıştırıcının bulguyu açıklayabileceğinin hesaplanması. Bülten örneğinde bu soru şöyle sorulur: ölçülmemiş bir etken, 0,64'lük oranı 1'e çekebilmek için üyelerle üye olmayanlar arasında ne kadar farklı dağılmış olmalı? Cevap "çok az" ise bulgu kırılgandır.

Kartın son cümlesi bu dersin en ince noktası: tutarlılık, ortak bir yanlılığın da işareti olabilir. On belediye aynı tabloyu kendi kayıtlarından çıkarsa ve on tabloda da üyeler daha az yatsa, bu tutarlılık bir şey kanıtlamaz; on kayıtta da üyeler daha genç ve daha hareketli olacaktır. Tutarlılık ancak yanlılıklar birbirinden bağımsızsa güven verir.

Kendini sına

1. Karıştırıcı tanımının üç parçasını say. Üçüncüsü neden önemli?
2. Bülten örneğinde yaş neden bir karıştırıcı? İki oku çiz.
3. Tabakalamayı kendin yeniden yap: iki yaş grubundaki ve toplamdaki yatış oranlarını hesapla. Kaba oran neden 0,64 çıkıyor?
4. Büyük örneklem karıştırmayı neden çözmez?
5. Dört karıştırıcı ailesini say ve her birine bir örnek ver.
6. Randomizasyon diğer yöntemlerden hangi bakımdan farklı?
7. Artık karıştırma nedir? Üç kaynağını say ve bülten örneğinde birer örnek bul.
8. Bir gözlemsel bulguya duyulan güveni artıran işaretleri say. Tutarlılık neden her zaman güven vermez?

Bir sonraki derse köprü

Bu derste karıştırıcıya düzeltmenin, tabakalamanın ve eşleştirmenin neden gerekli olduğunu gördün ve bu, düzeltmenin her zaman güvenli bir adım olduğu izlenimini bırakabilir. Sıradaki ders, aracı değişken, o sezginin sınırını çiziyor. Orada ok üçüncü değişkenden çıkmıyor, maruziyetten ona giriyor ve oradan sonuca devam ediyor: A → M → B. Böyle bir değişkene düzeltmenin etkiyi neden sildiğini, toplam etki ile doğrudan etkinin neden iki ayrı soruya cevap verdiğini ve bir düzeltme listesini okurken sorulacak tek soruyu göreceksin.