Методы инструментальных переменных можно распространить за пределы простых моделей из четырех переменных, как на рис. 49, но без опоры на каузальные диаграммы не получится уйти далеко. Например, в некоторых случаях несовершенная инструментальная переменная (т. е. такая, которая не вполне независима от конфаундера) используется после введения поправок по разумно подобранному набору вспомогательных переменных, блокирующих пути между инструментальной переменной и конфаундером. Мой бывший студент Карлос Брито, ныне профессор в Федеральном университете Сеары в Бразилии, полностью развил эту идею превращения неинструментальных переменных в инструментальные.
Вдобавок к этому Брито изучил множество случаев, в которых целый набор переменных успешно используется в качестве инструментальной. Хотя идентификация инструментальных наборов выходит за пределы do-исчисления, при этом все же используются каузальные диаграммы. Для исследователей, понимающих такой язык, возможные схемы экспериментов весьма разнообразны: им не нужно ограничивать себя только четырехпеременными моделями, показанными на рис. 49, 51 и 52. Наши возможности ограничены только нашим воображением.
Пути было два, и мир был широк
Однако я раздвоиться не мог.
[2]
Знаменитые строчки Роберта Фроста отражают глубокое понимание поэтом контрфактивного. Мы не можем странствовать по двум дорогам одновременно, однако наш разум наделен способностями судить, что произошло бы, если бы мы выбрали другой путь. Вооружившись этим суждением, к концу поэмы Фрост оказывается доволен своим выбором, понимая, что «все остальное не играет роли».
Глава 8. Контрфактивные суждения: глубинный анализ миров, которые могли бы существовать
Если бы нос Клеопатры был немного короче, то изменился бы лик всей Земли.
Блез Паскаль
Готовясь перейти на следующий уровень Лестницы Причинности, давайте обобщим, что мы узнали на втором уровне. Мы видели, что существуют несколько способов гарантировать эффект интервенции в разных контекстах и при разных условиях. В главе 4 мы обсудили рандомизированные контролируемые исследования, широко цитируемый золотой стандарт медицинских испытаний. Также мы рассмотрели методы, подходящие для наблюдательных исследований, в который испытуемая и контрольная группы выбирается непроизвольно. Если нам удается измерить все переменные, которые блокируют черные входы, формула поправки черного входа используется, чтобы получить необходимый эффект. Если мы найдем путь через парадный ход, закрытый от конфаундеров, то сможем использовать поправку парадного хода. Если же мы готовы принять линейность или монотонность, то применим инструментальные переменные (предполагая, что соответствующая переменная найдется на диаграмме или будет создана экспериментально). А действительно предприимчивые исследователи проложат другие маршруты к вершине горы Интервенции, используя do-исчисление или его алгоритмическую версию.
Во всех этих случаях мы имели дело с эффектом воздействия на исследуемую выборку или на типичного индивида, взятого из этой выборки (усредненный эффект от причинно-следственной взаимосвязи). Но пока мы упустили из обсуждения причинно-следственную связь на личном уровне — уровне отдельных событий или индивидов. Одно дело — сказать, что курение вызывает рак, но совсем другое — заявить, что ваш дядя Джо, который выкуривал по пачке сигарет 30 лет подряд, остался бы в живых, если бы не курил. Разница одновременно очевидна и глубока: никого из тех, кто, подобно дяде Джо, курил 30 лет и умер, нельзя наблюдать в альтернативной реальности, где они не курили 30 лет.
Ответственность и вина, сожаление и доверие — эти понятия служат ходовой валютой в причинно-следственных рассуждениях. Чтобы как-то их истолковать, у нас должна быть возможность сравнить то, что действительно случилось, с тем, что случилось бы гипотетически в какой-то альтернативной ситуации. Как я утверждал в главе 1, способность представлять альтернативные, несуществующие миры отделила нас от протолюдей и, более того, от всех остальных существ на планете. Любое другое существо видит то, что есть. Наш дар, который порой может быть проклятием, — видеть то, что могло бы быть.
Эта глава показывает, как использовать данные наблюдений и экспериментов, чтобы добывать информацию о контрфактивных сценариях. Она объясняет, как представлять причины индивидуального уровня на диаграммах причинности — задача, которая вынудит нас объяснить некоторые составные элементы диаграмм, о которых мы еще не говорили. Также я коснусь тесно связанного с ними понятия возможных результатов, или модели Неймана — Рубина, изначально предложенной в 1920-х годах Ежи Нейманом, польским статистиком, который позже стал профессором Калифорнийского университета в Беркли. Однако этот подход к причинному анализу получил развитие только в середине 1970-х, когда Дональд Рубин начал писать о потенциальных результатах.
Я покажу, как контрфактивность возникает естественным образом в контексте, описанном в последних нескольких главах, — в путевых диаграммах Сьюалла Райта и их расширении на структурные модели причинности (Structural Causal Models; SCM). Мы получили хорошее представление об этом в главе 1 на примере расстрельной команды, в котором было показано, как отвечать на контрфактивные вопросы вроде: «Остался бы заключенный в живых, если бы стрелок А не стрелял?». Я сравню, как контрфактивные суждения определяются в парадигме Неймана — Рубина и в SCM, где они пользуются преимуществом каузальных диаграмм. Рубин на протяжении многих лет уверенно утверждал, что диаграммы бесполезны. Итак, мы посмотрим, как изучающие его модель вынуждены ориентироваться в причинных проблемах с завязанными глазами, не имея способа, чтобы представить причинное знание или вывести его проверяемые следствия.
Наконец, мы рассмотрим два вида ситуаций, в которых использование контрфактивных суждений абсолютно необходимо. Десятилетиями или даже столетиями юристы использовали относительно простой метод, чтобы проверить виновность подсудимого — принцип sine qUa non («то, без чего невозможно»): вред не был бы нанесен, если бы подсудимый не совершил действие. Мы увидим, как контрфактивный язык распознает это неуловимое понятие и позволяет оценить вероятность того, что обвиняемый виновен.
Затем я расскажу, как контрфактивные суждения могут быть применены к климатическим изменениям. До недавнего времени климатологам было трудно и неловко отвечать на вопросы вроде: «Вызвало ли глобальное потепление этот шторм (или эту жару, или эту засуху)?». Традиционный ответ был таким: отдельные погодные явления нельзя приписывать глобальному изменению климата. Однако этот ответ кажется довольно уклончивым и даже способствует укреплению безразличия общественности к названной проблеме.
Контрфактивный анализ позволяет климатологам делать гораздо более четкие и точные утверждения, чем раньше. Однако они требует внести небольшие правки в нашу повседневную лексику. Будет полезно различать три типа причинности: необходимую, достаточную и необходимую и достаточную (необходимая причинность и есть «то, без чего невозможно»). Используя эти выражения, ученый-климатолог скажет: «Существует 90 %-ная вероятность того, что антропогенные изменения климата были необходимой причиной этой жары» или «Существует 80 %-ная вероятность того, что изменений климата достаточно, чтобы вызвать такую сильную жару, по крайней мере один раз в 50 лет». Первое предложение связано с атрибуцией: кто виноват в необычной жаре? Второе связано с программой действий. Оно сообщает, что лучше подготовиться к таким периодам жары, потому что рано или поздно они придут. Оба эти утверждения более информативны, чем пожимания плечами и отказ что-то говорить о причинах отдельных погодных явлений.
