Kryterium tylnych drzwi (back-door) w DAG

Opracowanie merytoryczne: Konrad Hryniewicz · Opublikowano: 28 października 2026

W skrócie: Kryterium tylnych drzwi (back-door) mówi, że zbiór zmiennych kontrolnych pozwala oszacować efekt X na Y, gdy blokuje każdą ścieżkę zaczynającą się strzałką do X i nie zawiera potomków X, czyli mediatorów i skutków X.

Co to jest kryterium tylnych drzwi?

Kryterium tylnych drzwi (ang. back-door criterion) to reguła Pearla (1995), która na podstawie grafu przyczynowego wskazuje zbiór zmiennych kontrolnych wystarczający do oszacowania efektu X na Y z danych nieeksperymentalnych. Zbiór Z spełnia kryterium, gdy:

żadna zmienna w Z nie jest potomkiem X;
Z blokuje każdą ścieżkę między X i Y, która zaczyna się strzałką wchodzącą do X.

Taki zbiór to zbiór dostosowujący. Greenland i in. (1999) pokazali, że tradycyjne kryteria zakłócania zawodzą, gdy kandydatów do kontroli jest wiele, a graf rozstrzyga ten problem. Pełną procedurę opisuje wpis o grafach przyczynowych (DAG).

Jak stosować

Wypisz ścieżki od X do Y. Ścieżki przyczynowe zostaw otwarte. Ścieżka tylnymi drzwiami jest otwarta, gdy nie ma na niej zmiennej zderzeniowej. Zamyka ją kontrola dowolnej innej zmiennej na tej ścieżce, np. zmiennej zakłócającej. Zbiór minimalny to taki, z którego nie da się usunąć żadnej zmiennej. Zwykle jest kilka takich zbiorów.

Przykład

Pytamy o całkowity efekt korepetycji na wynik egzaminu. Założony graf: dochód rodziny → korepetycje; dochód → książki w domu → wynik; korepetycje → godziny nauki → wynik; korepetycje → wynik; korepetycje → stres przed egzaminem ← wynik. Jedyna ścieżka tylnymi drzwiami to korepetycje ← dochód → książki → wynik. Zamyka ją dochód albo książki, więc minimalne zbiory to {dochód} i {książki}. Godziny nauki są mediatorem, a stres – zderzaczem.

W 1000 symulowanych badaniach (N = 800, efekt całkowity 6 pkt) średnie oszacowanie bez kontroli wynosi 8.63. Oba zbiory minimalne dają 6.03 i 6.01. Kontrola książek jest precyzyjniejsza (SD oszacowań 0.45 wobec 0.58), bo książki wpływają bezpośrednio na wynik. Dodanie godzin nauki daje 3.04, a dodanie stresu 3.60.

Jak opisać w pracy

Zbiór zmiennych kontrolnych wyprowadzono z założonego grafu przyczynowego według kryterium tylnych drzwi (Pearl, 1995). Jedyną ścieżkę tylnymi drzwiami (korepetycje ← dochód → książki → wynik) zamyka kontrola liczby książek w domu, wybranej zamiast dochodu ze względu na większą precyzję. Nie kontrolowano godzin nauki (mediator) ani stresu przed egzaminem (zmienna zderzeniowa).

Na co uważać

Kryterium jest tak dobre jak graf. Brak strzałki to założenie, a niezmierzonych zakłóceń nie zamknie żaden zbiór.
Kontrola mediatora to błąd nadmiernej kontroli (Schisterman i in., 2009). Odpowiadasz wtedy na pytanie o efekt bezpośredni.
Kryterium mówi, które zmienne uwzględnić, a nie jak. Zbiór można wprowadzić do regresji albo do propensity score.
Współczynniki zmiennych kontrolnych nie są efektami. Model dobrano pod jedno pytanie.

Przykład reprodukowalny

Zbiory dostosowujące w R

Kod generuje dane według grafu z przykładu, szacuje efekt korepetycji dla sześciu zbiorów zmiennych kontrolnych i powtarza badanie 1000 razy.

Dwa minimalne zbiory, mediator i zderzacz

Dane wejściowe: 800 uczniów, dochód, książki, korepetycje (0/1), godziny nauki, stres i wynik egzaminu generowane według grafu; efekt całkowity 6 pkt (dane symulowane, set.seed(3311)).

Co odczytać: oszacowanie w jednym badaniu, średnią i SD z 1000 powtórzeń dla każdego zbioru.

# DAG: dochod -> korepetycje; dochod -> ksiazki -> wynik; korepetycje -> nauka -> wynik;
#      korepetycje -> wynik; korepetycje -> stres <- wynik
set.seed(3311)
sym <- function(n = 800) {
  dochod <- rnorm(n)
  ksiazki <- 0.7 * dochod + rnorm(n)
  korep <- rbinom(n, 1, plogis(1.2 * dochod))
  nauka <- 2 * korep + rnorm(n)
  wynik <- 3 * korep + 1.5 * nauka + 4 * ksiazki + rnorm(n, sd = 6)  # efekt całkowity = 6
  stres <- 0.5 * korep - 0.2 * wynik + rnorm(n)
  data.frame(dochod, ksiazki, korep, nauka, wynik, stres)
}
zbiory <- list(brak = "", dochod = "+ dochod", ksiazki = "+ ksiazki",
               dochod_ksiazki = "+ dochod + ksiazki", dochod_nauka = "+ dochod + nauka",
               dochod_stres = "+ dochod + stres")
ocen <- function(d) sapply(zbiory, function(z)
  unname(coef(lm(as.formula(paste("wynik ~ korep", z)), data = d))["korep"]))
d <- sym()
wyniki <- replicate(1000, ocen(sym()))
round(rbind(jedno_badanie = ocen(d), srednia_1000 = rowMeans(wyniki),
            SD_1000 = apply(wyniki, 1, sd)), 2)

Wynik w R

              brak dochod ksiazki dochod_ksiazki dochod_nauka dochod_stres
jedno_badanie 9.52   7.00    6.60           6.84         3.27         4.06
srednia_1000  8.63   6.03    6.01           6.01         3.04         3.60
SD_1000       0.55   0.58    0.45           0.49         0.75         0.32

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (funkcje pakietu base).

R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/

Najczęstsze pytania

Co to jest ścieżka tylnymi drzwiami?

To ścieżka między ekspozycją a wynikiem, która zaczyna się strzałką wchodzącą do ekspozycji, np. X ← Z → Y. Przenosi związek niebędący efektem X i trzeba ją zamknąć.

Który zbiór dostosowujący wybrać, gdy poprawnych jest kilka?

Każdy poprawny zbiór usuwa obciążenie. Wybierz ten, którego zmienne są dobrze zmierzone, a przy równej jakości – zbiór z przyczynami wyniku, bo zwiększa precyzję.

Czy kryterium tylnych drzwi wymaga pakietu dagitty?

Nie. Przy kilku zmiennych zbiór wyprowadzisz ręcznie, wypisując ścieżki. Program tylko automatyzuje to samo rozumowanie przy większych grafach.

Powiązane hasła

Zmienna zderzeniowa (collider)Zmienna zakłócająca Zmienna kontrolna Mediacja (analiza mediacji)Propensity score Czynnik zakłócający a modyfikator efektu

Poradniki, w których użyjesz tego pojęcia

Poradnik

Grafy przyczynowe (DAG)

Zakłócacz, mediator i zderzacz, kryterium tylnych drzwi i zbiór dostosowujący – z symulacją w R, która pokazuje koszt złej kontroli.

Czytaj →Poradnik

Czy kontrolować wiek i płeć?

Kiedy wiek i płeć usuwają zakłócenie, kiedy tylko zwiększają precyzję, a kiedy szkodzą – z przykładem czterech modeli w R i wzorem opisu.

Czytaj →

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizę Oferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

Greenland, S., Pearl, J., & Robins, J. M. (1999). Causal diagrams for epidemiologic research. Epidemiology, 10(1), 37–48. https://doi.org/10.1097/00001648-199901000-00008
Pearl, J. (1995). Causal diagrams for empirical research. Biometrika, 82(4), 669–688. https://doi.org/10.1093/biomet/82.4.669
Schisterman, E. F., Cole, S. R., & Platt, R. W. (2009). Overadjustment bias and unnecessary adjustment in epidemiologic studies. Epidemiology, 20(4), 488–495. https://doi.org/10.1097/ede.0b013e3181a819a1 ● Otwarty dostęp: pełny tekst

Cytowania BibTeX

@article{greenland1999causal, author={Greenland, Sander and Pearl, Judea and Robins, James M.}, title={{Causal diagrams for epidemiologic research}}, journal={Epidemiology}, year={1999}, volume={10}, number={1}, pages={37--48}, doi={10.1097/00001648-199901000-00008}}

@article{pearl1995causal, author={Pearl, Judea}, title={{Causal diagrams for empirical research}}, journal={Biometrika}, year={1995}, volume={82}, number={4}, pages={669--688}, doi={10.1093/biomet/82.4.669}}

@article{schisterman2009overadjustment, author={Schisterman, Enrique F. and Cole, Stephen R. and Platt, Robert W.}, title={{Overadjustment bias and unnecessary adjustment in epidemiologic studies}}, journal={Epidemiology}, year={2009}, volume={20}, number={4}, pages={488--495}, doi={10.1097/ede.0b013e3181a819a1}}