A confounder is a common cause of treatment and outcome that can create or distort association; causal adjustment aims to block that backdoor path without opening new ones.
1The problem it solves
Regression does not know which variables are confounders. The decision requires a causal model. DAGs make assumed paths explicit so analysts can distinguish variables that should be adjusted for from mediators, colliders, and irrelevant predictors. “Control for everything” is not conservative—it can create bias.
2The idea
A common cause of both treatment and outcome produces association without causation. Directed acyclic graphs make the assumed causal structure explicit so the required adjustments can be derived rather than guessed.
3Origin & context
Confounding is old in epidemiology and statistics; modern graphical criteria are associated with Judea Pearl, Sander Greenland, James Robins, and related causal-inference work. The backdoor criterion formalizes when conditioning suffices under a stated DAG.
4Canonical example
Wealth causes both private schooling and later earnings, so the raw association between the two overstates the effect of schooling.
5Objections & replies
Objection. Including more controls can only make comparisons fairer.
Reply. False. Conditioning on colliders can induce association, and controlling mediators can remove part of the causal effect you intend to estimate. Control selection must follow the estimand and causal graph.
Objection. DAGs are subjective drawings, so they add no information.
Reply. They do not create causal knowledge, but they expose assumptions that regression otherwise hides. Competing DAGs can be compared, challenged, and subjected to sensitivity analysis; implicit assumptions are not less subjective because they are invisible.
6Don't confuse it with
Confounder vs. mediator
A confounder is a common cause preceding treatment and outcome; a mediator lies on the causal pathway from treatment to outcome.
Confounder vs. collider
A confounder points into both variables; a collider receives arrows from two causes. Conditioning often helps with the former and harms with the latter.
7Common mistakes
- Selecting controls by statistical significance instead of causal role.
- Conditioning on post-treatment variables without specifying whether the estimand is total or direct effect.
8In your work
Drawing the DAG forces you to state causal assumptions you were making implicitly anyway. The discomfort of writing them down is the point.
9Check yourself
Wealth affects both private-school attendance and adult earnings. What role does wealth play in the raw schooling–earnings association?
Show answer
A confounder/common cause. Failing to address the backdoor path through wealth can make the schooling association look more causal than it is.
مخدوشگر علتِ مشترکِ درمان و پیامد است که میتواند همبستگی را بسازد یا منحرف کند؛ تعدیلِ علّی میکوشد مسیرِ پشتدر را ببندد بدون اینکه مسیرِ تازهای باز کند.
1مسئلهای که حل میکند
رگرسیون خودش نمیداند کدام متغیر مخدوشگر است. تصمیم به مدلِ علّی نیاز دارد. DAG مسیرها را صریح میکند تا متغیرِ لازم برای کنترل از میانجی، برخوردگر و پیشبینِ صرف جدا شود. «همهچیز را کنترل کن» محافظهکارانه نیست و میتواند سوگیری بسازد.
2ایدهٔ اصلی
علتی مشترک برای هم مداخله و هم پیامد، همبستگیِ بدونِ علیّت میسازد. گرافهای جهتدارِ بیدور، ساختارِ علّیِ مفروض را آشکار میکنند تا تعدیلهای لازم استنتاج شوند نه حدس زده.
3خاستگاه و زمینه
مفهومِ مخدوشگری در اپیدمیولوژی و آمار قدیمی است؛ معیارهای گرافیکیِ جدید با جودیا پرل، سندر گرینلند، جیمز رابینز و دیگران پیوند دارند. معیارِ پشتدر شرایطِ کافیِ تعدیل را زیرِ DAG مفروض صورتبندی میکند.
4مثالِ کلاسیک
ثروت هم علتِ مدرسهٔ خصوصی است و هم علتِ درآمدِ بعدی، پس همبستگیِ خامِ آن دو اثرِ مدرسه را بزرگنمایی میکند.
5اعتراضها و پاسخها
اعتراض. کنترلِ بیشتر فقط مقایسه را منصفانهتر میکند.
پاسخ. غلط. شرطکردن بر برخوردگر میتواند همبستگیِ کاذب بسازد و کنترلِ میانجی بخشی از اثرِ علّیِ هدف را حذف کند. انتخابِ کنترل باید از برآوردِ هدف و گراف بیاید.
اعتراض. DAG فقط نقاشیِ ذهنی است و اطلاعاتی اضافه نمیکند.
پاسخ. دانشِ علّی را از هیچ نمیسازد، اما فرضهایی را که رگرسیون پنهان میکند آشکار میسازد. گرافهای رقیب قابلمقایسه و تحلیلِ حساسیتاند؛ فرضِ ضمنی چون نامرئی است عینیتر نمیشود.
6با اینها اشتباه نگیرید
مخدوشگر و میانجی
مخدوشگر علتِ مشترکِ درمان و پیامد است؛ میانجی روی مسیرِ علّی از درمان به پیامد قرار دارد.
مخدوشگر و برخوردگر
مخدوشگر به هر دو متغیر پیکان میدهد؛ برخوردگر از دو علت پیکان میگیرد. شرطکردن معمولاً برای اولی کمک و برای دومی آسیب میکند.
7خطاهای رایج
- انتخابِ متغیرِ کنترل بر اساسِ معناداریِ آماری بهجای نقشِ علّی.
- کنترلِ متغیرِ پس از درمان بدون تعیینِ اینکه اثرِ کل یا مستقیم هدف است.
8در کارِ شما
کشیدنِ گرافِ علّی شما را وادار میکند فرضهای علّیای را که بههرحال ضمنی داشتید بیان کنید. ناخوشایندیِ نوشتنشان، دقیقاً نکته است.
9خودآزمایی
ثروت هم بر رفتن به مدرسهٔ خصوصی و هم بر درآمدِ بزرگسالی اثر دارد. در همبستگیِ خامِ مدرسه–درآمد چه نقشی دارد؟
نمایش پاسخ
مخدوشگر یا علتِ مشترک. نادیدهگرفتنِ مسیرِ پشتدر از طریقِ ثروت میتواند همبستگیِ مدرسه را علّیتر از واقع نشان دهد.