Прежде чем отойти от этого примера, я хотел бы еще раз прокомментировать компьютерные модели. Большинству ученых приходится усердно работать, чтобы получить контрфактивную информацию, скажем мучительно комбинируя данные наблюдательных и экспериментальных исследований. Ученые-климатологи могут легко получить контрфактивные данные из компьютерных моделей: достаточно ввести новое значение для концентрации углекислого газа в воздухе и дать программе поработать. «Легко», конечно, здесь понятие относительное. За простой причинно-следственной схемой на рис. 54 скрывается невероятно сложная функция-ответ, заданная миллионами строк компьютерного кода, которые используются для моделирования климата.
Здесь возникает естественный вопрос: насколько мы можем доверять компьютерному моделированию? У этого вопроса есть политические нюансы, особенно здесь, в США. Однако я постараюсь дать аполитичный ответ. Я считаю, что функция-ответ в этом примере вызывает гораздо больше доверия, чем линейные модели, которые так часто встречаются в естественных и социальных науках. Линейные модели часто выбирают только по причине удобства. Для сравнения: климатические модели отражают более чем вековые исследования физиков, метеорологов и климатологов. Это усилия ученых понять процессы, которые определяют нашу погоду и климат. По любым нормальным научным стандартам климатические модели являются веским и убедительным доказательством, но с одной оговоркой. Хотя они превосходно предсказывают погоду на несколько дней вперед, они никогда не проверялись в перспективных исследованиях на протяжении веков, поэтому все еще содержат систематические ошибки, о которых мы не знаем.
Мир контрфактивного
Я надеюсь, к этому моменту уже очевидно, что контрфактивные суждения — важный инструмент познания мира и нашего воздействия на него. Хотя мы никогда не сможем пройти по обеим дорожкам, расходящимся в лесу, во многих случаях получится с достаточной уверенностью предсказать, куда они ведут.
Несомненно, разнообразие и богатство причинно-следственных запросов, которые обрабатываются с помощью причинного вывода, значительно возрастет, если мы включим в них контрфактивные утверждения. Другой очень популярный тип запроса, который я здесь не обсуждал, называется влиянием лечения на получивших его (the Effect of Treatment on the Treated; ETT). Он используется, чтобы оценить, являются ли люди, имевшие доступ к лечению, теми, кто получит от него наибольшую пользу. Этот показатель гораздо лучше отражает эффективность лечения, чем средний причинный эффект (the Average CaUsal Effect; ACE). ACE, который вы получите в результате рандомизированного контролируемого исследования, усредняет эффективность лечения для всей группы людей. Но что, если на практике те, кого взяли в программу, не получат от лечения наибольшую пользу? Чтобы оценить общую эффективность программы, используется ETT, которое показывает, какой эффект наблюдался бы у пациентов с неудачным исходом лечения, если бы их не лечили. Это контрфактивная мера, имеющая важнейшее значение для принятия практических решений. Мой бывший ученик Илья Шпицер (ныне сотрудник Университета Джонса Хопкинса) сделал для ETT то же, что do-исчисление сделало для ACE, — четко показал, когда его оценивают по данным с использованием диаграммы причинности.
Несомненно, самое популярное применение контрфактивности сегодня в науке — это анализ посредничества. По этой причине я посвящаю ему отдельную главу (главу 9). Как ни странно, многие люди, особенно если они используют классические методы для анализа посредничества, не осознают, что говорят о контрфактивном эффекте.
В научном контексте медиатор, или переменная-посредник, — это переменная, которая транслирует эффект воздействия на результат. В этой книге мы видели много образцов посредничества, например курение → смола → рак (где смола будет посредником). Главный вопрос, представляющий интерес в таких случаях, состоит в том, приходится ли на переменную-посредник весь эффект от переменной воздействия или какая-то его часть. Мы бы представили такой эффект отдельной стрелкой, ведущей непосредственно от воздействия к результату: курение → рак.
Анализ посредничества позволяет отделить прямой эффект (который не проходит через посредника) от косвенного (части, которая проходит через посредника). Его важность нетрудно уловить. Если курение вызывает рак легких только из-за смол, то повышенный риск рака устранялся бы сигаретами без смол, предположим электронными. Однако, если курение вызывает рак напрямую или через другого посредника, электронные сигареты не решат проблему. В настоящее время этот медицинский вопрос остается открытым.
На данном этапе, возможно, неочевидно, что прямые и косвенные эффекты связаны с контрфактивными утверждениями. Для меня это было совершенно неочевидно! Более того, это оказалось одним из самых больших сюрпризов в моей научной карьере. В следующей главе я рассказываю об этом и привожу много вариантов для применения такого анализа на практике.
Глава 9. Опосредование: в поисках механизма действия
Не было гвоздя — подкова упала.
Подкова упала — лошадь захромала.
Лошадь захромала — командир убит.
Конница разбита —
Армия разбита, конница бежит,
Враг заходит в город, пленных не щадя,
Потому что в кузнице не было гвоздя.
Перевод С. Маршак
В обычном языке у вопроса «Почему?» есть по крайней мере две версии. Первая прямолинейна: вы видите воздействие и хотите знать причину. Ваш дедушка в больнице, и вы спрашиваете: «Почему? Откуда у него инфаркт, если он выглядел таким здоровым?»
Но есть и другая версия вопроса «Почему?», которой мы задаемся, когда стремимся лучше понять связь между известными причиной и следствием. Например, мы сделали наблюдение, что лекарственный препарат В предотвращает инфаркты. Или, как Джеймс Линд, узнаем, что плоды цитрусовых помогают избежать цинги. Человеческий разум неугомонен — нам надо знать больше. Вскоре мы начинаем задавать вопрос «Почему?» в его второй версии: каков механизм, благодаря которому плоды цитрусовых предотвращают цингу? Эта глава сосредоточена как раз на этой, второй версии «Почему?».
Поиск механизмов действия очень важен как для науки, так и для повседневной жизни, потому что различные механизмы требуют различных действий в случае, если обстоятельства меняются. Допустим, у нас кончились апельсины. Зная механизм их действия, мы тем не менее предотвратим цингу — нам просто понадобится другой источник витамина С. Но, если мы не знаем этого механизма, у нас может возникнуть идея попробовать использовать для этого бананы.
Ученые называют «Почему?» вот этого второго типа словом «опосредование». Вы можете увидеть в научном журнале фразу вроде «Влияние препарата B на риск инфаркта опосредовано его влиянием на артериальное давление». Это утверждение описывает простую каузальную модель: препарат В → артериальное давление → риск инфаркта. В этом случае изучаемое вещество снижает слишком высокое АД, что в свою очередь уменьшает риск инфаркта (биологи обычно используют другой символ — A —| B, когда причина А ингибирует следствие B, но в работах по причинности традиционно применяют обозначения А → В, как для позитивных, так и для негативных каузальных воздействий). Аналогично характеризуется механизм воздействия плодов цитрусовых на цингу каузальной моделью цитрусовые → витамин С → цинга.
