Jeden z mých nejoblíbenějších článků v posledních letech obsahoval tento diagram. Ukazuje dopad kontroly tří různých typů proměnných: matoucích faktorů, urychlovačů a mediátorů. U matoucích je kontrola dobrá. U ostatních si zkazíte výsledek kontrolou.

Pokud máte proměnné s chybou měření, můžete narazit na další problematickou proměnnou: proxy. Zástupné proměnné mohou všechna tato zkreslení mnohem zhoršit a ztížit řešení.

Článek uvádí tento jednoduchý postřeh: statistická kontrola vyžaduje kauzální zdůvodnění. To je vlastně název. Uvedli několik příkladů založených na DAG. Zvažte toto: je edutainment matoucí nebo prostředník? Měli byste to kontrolovat, nebo by to zkreslilo váš odhad?

To je vždy něco, co musíte vzít v úvahu, ale upřímně řečeno, je výjimečné přemýšlet kauzálně o statistické kontrole. Mnoho článků dělá věci jako kontrolu irelevantních downstream proměnných (proxy) nebo neúmyslně kontrolují mediátory. To je norma!

Můj článek se zabývá mnohem více problémy s používáním a zneužíváním ovládacích prvků. Poznamenává například, že může být zapotřebí mnoha dat a úsilí, aby se skóre sklonů přizpůsobilo experimentům:

Poznamenává, že dané zjištění nemusí znamenat to, co říká, že znamená:

A ukazuje, že i zlatý standard kauzální inference – RCT – musí být proveden správně, jinak skončíte v situaci, kdy jsou vaše odhady efektů nadsazené a vaše závěry jsou chybné.