Modelové diagramy, znázornění mediátoru
Obrázky 1 a 2 jsou příkladem tzv. modelového diagramu, což je užitečný nástroj pro znázornění vztahů mezi studovanými proměnnými [3]. Na obrázku 2 je vytvořen jednoduchý modelový diagram pro smyšlenou studii zabývající se rozdílem ve vitální kapacitě plic mezi muži a ženami. Výsledkem je tedy právě vitální kapacita plic, zájmovou proměnnou je pohlaví. Abychom správně interpretovali význam pohlaví pro vitální kapacitu plic, musíme uvážit i další potenciální vysvětlující proměnné, např. výška a věk pacientů.
Mezi jednotlivými proměnnými v modelovém diagramu zakreslujeme čáry znázorňující asociaci. Pokud se domníváme, že je mezi proměnnými jednostranný kauzální vztah, zakreslujeme do modelového digramu šipku. Předpokládáme tedy kauzální účinek všech zmíněných prediktorů na výsledek (je známo, že vitální kapacita je vyšší u mužů, roste s výškou a klesá s věkem). Dále předpokládáme, že jak pohlaví, tak věk ovlivňují výšku. Mezi pohlavím a věkem naopak nepředpokládáme kauzální vztah, v příslušném souboru ale mezi těmito veličinami jistá asociace (jistě nekauzální) být může.
Pokud budeme uvažovat takto definované vztahy mezi proměnnými, je zřejmé, že proměnná věk představuje potenciální zavádějící faktor pro vztah mezi pohlavím a vitální kapacitou plic (pokud by například ve vzorku osob byli muži spíše starší, mohlo by se zdát, že muži mají v rozporu s předpoklady menší vitální kapacitu plic).
Výška, stejně jako věk, je kauzální příčinou vyšší vitální kapacity plic, a dále souvisí s pohlavím. Je tedy výška rovněž zavádějícím faktorem? V předchozím textu jsme zmínili, že třetí podmínkou pro klasifikaci proměnné jako zavádějící faktor je to, že tato proměnná není důsledkem studovaného prediktoru. Protože ve skutečnosti je výška kauzálně způsobena pohlavím pacienta, je taková proměnná zpravidla klasifikována jako tzv. mediátor. Výška tedy „zprostředkovává“ účinek pohlaví na vitální kapacitu plic, je součástí kauzální dráhy mezi pohlavím a vitální kapacitou plic.
Modelové diagramy představují nesmírně užitečný nástroj při určení, které proměnné je třeba zahrnout do modelu proto, aby jej bylo možné kauzálně interpretovat. Vedle základního znázornění problému umožňují i zapojit algoritmy, které nám odhalí potenciální zavádějící faktory, které je třeba zahrnout do regresního modelu. Zájemce o hlubší pochopení problematiky kauzální inference odkazuji na literaturu věnovanou tomuto tématu [I].
