真实世界研究中的因果推断方法

混杂是分层前和分层后，存在差别，但是分层的组间不存在差别

控制混杂的思路：

1.限制，例如控制全为男性或全为女性。或是某个年龄范围

2.分层

以上是打断节点

3.匹配。类似于打断边。

打断边比打断节点要好。

不是混杂当成混杂调整会减弱效应值（例如调整中介或中介替代变量）

碰撞节点也不能调整，会造成偏倚

左右侧的图，这里面的O不是混杂，并不能调整，在分析的过程中忽略就行，否则会产生碰撞便宜。

工具变量的巧妙设计可利用上述碰撞的关系，巧妙地排除了L带来的影响。如果调整了O会放大L的效应

例如E代表吸烟，D代表肺癌，O代表死亡率，不建议纳入O调整。

混杂比较的是总人群与分组效应的差别，交互（效应）比较的是关注亚组之间效应的差别例如男性与女性之间的差别

我们观测到调控X的原因C，如果把C放到交互项会发现交互作用统计学意义

存在一个不足，及只能匹配已知的混杂，对于位置的混杂未知。这个方法相较于MSM，他是假定暴露、结局、混杂是不变的，故而外推可能也不是很好。

这个模型更符合临床实际情况，但国内用得不多。

打断边，即打断混杂的边从而能保留中介等效应。

该模型的优势可以根据不同时期制定不同方案，例如对于某种药物，患者在不同时刻服用或不服用，亦或是服用的剂量做分析，从而使药物对疾病的效应最大化。

需要多次收集数据，需要重复测量数据。

个体是不断在变化的，要选取一组未用药的个体测量其变化，从而预测干预组本该的变化，从而计算干预的效果。这个方法用的也多。可以通过不同人、地区、时间作为一个对照。

与DID的区别是这个是有折断的，有明显的折断面，DID还是连续的。

在比较新冠前后，某种疾病的发病率变化这种方法比较常用。

阴性对照的结局：吃感冒药对结局没有因果关系的，只有关联。（别纠结，和下面的印象对照暴露做对比）

感冒与癌症无关，但健康状态差会引起感冒、癌症，我们可以找存在关联，但无因果关系的对照来检测有无混杂。例如在调整混杂后，仍然发现与N有关联，则证明存在位置的混杂U，如果调整混杂后，与N无关，则认为所有混杂都调整了。