Słownik metodologiczny · Wnioskowanie przyczynowe

Model potencjalnych wyników – efekt przyczynowy jako porównanie kontrfaktyczne

Model potencjalnych wyników definiuje efekt przyczynowy jako różnicę Y(1) − Y(0) dla tej samej osoby. Wyjaśniamy podstawowy problem wnioskowania przyczynowego, ATE i ATT, założenia (SUTVA, wymienialność, dodatniość) i pokazujemy symulację w R.

Strona główna / Słownik / Model potencjalnych wyników
W skrócie: Model potencjalnych wyników definiuje efekt przyczynowy jako różnicę między wynikiem osoby z interwencją, Y(1), i bez niej, Y(0). Ponieważ widzimy tylko jeden z nich, szacuje się efekty przeciętne (ATE, ATT), co wymaga randomizacji albo założeń o braku niezmierzonego zakłócenia.

Co to jest model potencjalnych wyników?

Model potencjalnych wyników (ang. potential outcomes framework, model kontrfaktyczny, model przyczynowy Rubina) definiuje efekt przyczynowy jako porównanie dwóch wyników tej samej osoby: Y(1) – wyniku, gdyby otrzymała interwencję, i Y(0) – wyniku, gdyby jej nie otrzymała. Rubin (2005) przypomina, że ujęcie to zaproponował Neyman dla eksperymentów randomizowanych, a później rozszerzono je na badania nierandomizowane (Rubin, 1974). Holland (1986) użył tego modelu do uporządkowania dyskusji o tym, kiedy z danych wolno wyciągać wnioski przyczynowe – czyli o problemie korelacji a przyczynowości.

Podstawowy problem

Każda osoba ma oba potencjalne wyniki, ale obserwujemy tylko jeden – ten, który odpowiada faktycznie otrzymanemu warunkowi. Drugi pozostaje kontrfaktyczny, więc efektu indywidualnego Y(1) − Y(0) nie da się zmierzyć. Szacuje się więc efekty przeciętne: ATE (w całej populacji) albo ATT (u leczonych). Które wyniki zobaczymy, zależy od mechanizmu przydziału (Rubin, 2005). Gdy przydział jest losowy, grupy różnią się tylko interwencją i prosta różnica średnich szacuje ATE – stąd przewaga randomizacji (Rubin, 1974). Gdy uczestnicy nie stosują się do przydziału, analiza ITT szacuje efekt samego przydziału, a nie przyjęcia interwencji.

Założenia w badaniach obserwacyjnych

  • SUTVA: wynik osoby nie zależy od przydziału innych, a interwencja ma jedną wersję.
  • Wymienialność (brak niezmierzonego zakłócenia): po uwzględnieniu zmierzonych zmiennych zakłócających przydział jest niezależny od potencjalnych wyników.
  • Dodatniość: każda osoba ma niezerową szansę trafienia do obu grup.

Na tych założeniach opierają się propensity score, wagi IPW i grafy przyczynowe (DAG), które pomagają wybrać zmienne do korekty.

Przykład w R

W symulacji 1000 osób kurs podnosi wynik każdej z nich o 3 punkty (ATE = 3). Przy losowym przydziale różnica średnich wynosi 3.19. Gdy na kurs częściej zapisują się bardziej zmotywowani, ta sama różnica rośnie do 8.40, bo grupy różniły się już przed kursem. Regresja z kontrolą motywacji daje 3.26 – ale tylko dlatego, że w symulacji znamy jedyną zmienną zakłócającą.

Na rysunku

Rysunek pokazuje 12 symulowanych osób, dla których – inaczej niż w prawdziwym badaniu – znamy oba potencjalne wyniki. Tym razem efekt kursu nie jest jednakowy: losowano go ze średnią 3 i SD = 3 punkty. Parametry (12 osób, średnia i rozrzut efektu) ustawiono ręcznie, żeby rysunek był czytelny; ziarna (set.seed(5581)) nie zmieniano.

Dwa panele. Panel A: dla każdej z 12 osób pozioma kreska łączy dwa punkty – niebieski wynik bez kursu i pomarańczowy wynik z kursem; przy każdej kresce liczba to efekt osobniczy, od minus 3 do plus 11; u każdej osoby jeden punkt jest pełny (wynik obserwowany), a drugi pusty (wynik kontrfaktyczny). Panel B: wyniki obserwowane w dwóch grupach, bez kursu (niebieskie kółka) i z kursem (pomarańczowe trójkąty), z poziomymi kreskami średnich; różnica średnich 4.83, prawdziwy ATE 2.92
Rysunek 1. Potencjalne wyniki 12 osób z kursem i bez niego (A) oraz wyniki obserwowane po losowym przydziale (B). Obliczenia: R, pakiety ggplot2 i patchwork (dane symulowane, set.seed(5581)).

Co widać. W panelu A każda kreska to jedna osoba, a liczba przy niej to jej efekt osobniczy Y(1) − Y(0): od −3 do +11 punktów. Średnia tych efektów to ATE = 2.92. Pełny punkt oznacza wynik, który badacz zobaczy, pusty – wynik kontrfaktyczny. Panel B pokazuje dane badacza: po jednym wyniku na osobę. Różnica średnich grup wynosi 4.83, a nie 2.92. Przydział był losowy, ale przy 6 osobach w grupie przypadek ma duży wpływ: do grupy z kursem trafiła osoba 5, która zyskała 11 punktów.

Na co uważać. Panel A da się narysować tylko w symulacji. W prawdziwych danych z panelu B nie odczytasz, kto zyskał, a kto stracił, więc nie wiesz nawet, czy efekt jest u wszystkich taki sam. Losowanie gwarantuje, że różnica średnich trafia w ATE przeciętnie, w wielu powtórzeniach badania, a nie w każdym z nich. Rozrzut wokół ATE opisuje przedział ufności. Jak losowy przydział wygląda przy różnych liczebnościach, pokazuje wpis losowy przydział w obrazkach.

Podpis do pracy:

Rysunek 1. Wyniki egzaminu w grupie z kursem i bez kursu (n = 6 w każdej grupie). Uwaga. Poziome kreski oznaczają średnie grup. Osoby przydzielono do grup losowo; różnica średnich szacuje przeciętny efekt przyczynowy kursu (ATE).

Kod rysunku jest samowystarczalny. Rysunek na stronie powstał z tego samego kodu, w którym podmieniono tylko motyw (krój czcionki, siatka).

Kod R rysunku 1
# Rysunek 1. Oba potencjalne wyniki 12 osób (A) i to, co widzi badacz po losowym przydziale (B)
library(ggplot2)
library(patchwork)

kol <- c("Y(0): bez kursu" = "#0072B2", "Y(1): z kursem" = "#D55E00")   # Okabe–Ito
motyw <- theme_minimal(base_size = 13) +
  theme(panel.grid.minor = element_blank(), legend.position = "bottom",
        plot.title = element_text(face = "bold", size = rel(0.95)))

set.seed(5581)
n <- 12
y0 <- round(rnorm(n, mean = 50, sd = 6))     # wynik bez kursu
efekt <- round(rnorm(n, mean = 3, sd = 3))   # efekt osobniczy: różny u różnych osób
y1 <- y0 + efekt                             # wynik z kursem
a <- sample(rep(0:1, each = n / 2))          # losowy przydział: 6 osób na kurs, 6 bez
tab <- data.frame(osoba = 1:n, y0, y1, efekt, kurs = a, widzimy = ifelse(a == 1, y1, y0))
tab
round(c(ATE = mean(efekt), roznica_srednich = mean(y1[a == 1]) - mean(y0[a == 0])), 2)

# A: pełna „prawda” symulacji – oba wyniki każdej osoby; pełny punkt = wynik obserwowany
dl <- rbind(data.frame(osoba = 1:n, wynik = y0, stan = "Y(0): bez kursu", obs = a == 0),
            data.frame(osoba = 1:n, wynik = y1, stan = "Y(1): z kursem", obs = a == 1))
dl$obs <- factor(ifelse(dl$obs, "obserwowany", "kontrfaktyczny (ukryty)"),
                 c("obserwowany", "kontrfaktyczny (ukryty)"))
pA <- ggplot(dl, aes(wynik, factor(osoba, n:1))) +
  geom_line(aes(group = osoba), colour = "grey60", linewidth = 0.6) +
  geom_point(aes(colour = stan, shape = obs), size = 3, stroke = 1.1) +
  geom_text(data = tab, aes(x = pmax(y0, y1) + 1.2, y = factor(osoba, n:1),
                            label = sprintf("%+d", efekt)), hjust = 0, size = 3.6) +
  scale_colour_manual(NULL, values = kol) +
  scale_shape_manual(NULL, values = c("obserwowany" = 16, "kontrfaktyczny (ukryty)" = 1)) +
  labs(title = "A. Oba potencjalne wyniki (znane tylko w symulacji)",
       x = "Wynik egzaminu", y = "Osoba") + motyw +
  guides(colour = guide_legend(nrow = 2), shape = guide_legend(nrow = 2))

# B: dane badacza – po jednym wyniku na osobę i średnie grup
db <- data.frame(grupa = factor(ifelse(a == 1, "z kursem", "bez kursu"), c("bez kursu", "z kursem")),
                 wynik = tab$widzimy)
sr <- aggregate(wynik ~ grupa, db, mean)
pB <- ggplot(db, aes(grupa, wynik)) +
  geom_point(aes(colour = grupa, shape = grupa), size = 3,
             position = position_jitter(width = 0.08, height = 0, seed = 1)) +
  geom_errorbar(data = sr, aes(ymin = wynik, ymax = wynik), width = 0.4, linewidth = 1) +
  scale_colour_manual(NULL, values = unname(kol), guide = "none") +
  scale_shape_manual(NULL, values = c(16, 17), guide = "none") +
  labs(title = "B. Co widzi badacz", x = NULL, y = "Wynik egzaminu",
       subtitle = sprintf("różnica średnich = %.2f\nprawdziwy ATE = %.2f",
                          diff(sr$wynik), mean(efekt))) + motyw
p1 <- pA + pB + plot_layout(widths = c(1.6, 1))
p1
Wynik w R
   osoba y0 y1 efekt kurs widzimy
1      1 38 35    -3    0      38
2      2 49 53     4    0      49
3      3 44 50     6    1      50
4      4 55 56     1    1      56
5      5 60 71    11    1      71
6      6 56 59     3    0      56
7      7 45 46     1    1      46
8      8 54 55     1    1      55
9      9 65 72     7    0      65
10    10 36 34    -2    0      36
11    11 55 59     4    0      55
12    12 48 50     2    1      50
             ATE roznica_srednich 
            2.92             4.83 

Jak opisać w pracy

Efekt kursu zdefiniowano w ujęciu potencjalnych wyników jako przeciętną różnicę wyniku egzaminu z kursem i bez niego (ATE). Ponieważ uczestnicy sami wybierali kurs, założono wymienialność warunkowo na motywacji, wcześniejszych ocenach i płci oraz sprawdzono dodatniość (nakładanie się rozkładów propensity score).
Przykład reprodukowalny

Potencjalne wyniki w R

Kod tworzy dla każdej osoby oba potencjalne wyniki, a potem „ukrywa” jeden z nich – raz przy losowym przydziale, raz przy samodzielnym wyborze kursu.

Losowanie a samodzielny wybór

Dane wejściowe: 1000 symulowanych osób, motywacja ~ N(0, 1), Y(0) zależy od motywacji, Y(1) = Y(0) + 3 (set.seed(558)).

Co odczytać: prawdziwy ATE = 3; różnica średnich 3.19 przy losowaniu i 8.40 przy wyborze; 3.26 po kontroli motywacji.

R
# Model potencjalnych wyników: każda osoba ma Y(0) i Y(1), widzimy tylko jeden z nich
set.seed(558)
n <- 1000
motywacja <- rnorm(n)                          # cecha wpływająca na wynik i na wybór kursu
y0 <- 50 + 5 * motywacja + rnorm(n, sd = 5)    # wynik bez kursu
y1 <- y0 + 3                                   # wynik z kursem: efekt = 3 pkt u każdego
round(c(ATE_prawdziwy = mean(y1 - y0)), 2)
# 1) losowy przydział
a_los <- rbinom(n, 1, 0.5)
y_los <- ifelse(a_los == 1, y1, y0)            # obserwujemy tylko jeden wynik
# 2) samodzielny wybór: bardziej zmotywowani częściej idą na kurs
a_wyb <- rbinom(n, 1, plogis(1.5 * motywacja))
y_wyb <- ifelse(a_wyb == 1, y1, y0)
round(c(roznica_losowanie = mean(y_los[a_los == 1]) - mean(y_los[a_los == 0]),
        roznica_wybor     = mean(y_wyb[a_wyb == 1]) - mean(y_wyb[a_wyb == 0]),
        wybor_z_korekta   = unname(coef(lm(y_wyb ~ a_wyb + motywacja))["a_wyb"])), 2)
Wynik w R
ATE_prawdziwy 
            3 
roznica_losowanie     roznica_wybor   wybor_z_korekta 
             3.19              8.40              3.26

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (przykład – bez dodatkowych pakietów; rysunek 1 – pakiety ggplot2 i patchwork). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. 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/
  2. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  3. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork

Najczęstsze pytania

Dlaczego nie da się zmierzyć efektu u jednej osoby?

Bo ta sama osoba w tym samym czasie albo dostaje interwencję, albo nie. Widzimy tylko jeden z dwóch potencjalnych wyników, więc szacujemy efekty przeciętne w grupach.

Czym różni się ATE od ATT?

ATE to przeciętny efekt w całej populacji, a ATT – przeciętny efekt u osób, które faktycznie otrzymały interwencję. Różnią się, gdy efekt jest różny u różnych osób, a do interwencji trafiają osoby nietypowe.

Czy model potencjalnych wyników wymaga eksperymentu?

Nie. Stosuje się go też do badań obserwacyjnych, ale wtedy wniosek opiera się na założeniach, zwłaszcza o braku niezmierzonych zmiennych zakłócających, których dane nie potwierdzą.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Holland, P. W. (1986). Statistics and causal inference. Journal of the American Statistical Association, 81(396), 945–960. https://doi.org/10.1080/01621459.1986.10478354
  2. Rubin, D. B. (1974). Estimating causal effects of treatments in randomized and nonrandomized studies. Journal of Educational Psychology, 66(5), 688–701. https://doi.org/10.1037/h0037350 ● Otwarty dostęp: pełny tekst
  3. Rubin, D. B. (2005). Causal inference using potential outcomes: Design, modeling, decisions. Journal of the American Statistical Association, 100(469), 322–331. https://doi.org/10.1198/016214504000001880

Cytowania BibTeX

@article{holland1986statistics, author={Holland, Paul W.}, title={{Statistics and causal inference}}, journal={Journal of the American Statistical Association}, year={1986}, volume={81}, number={396}, pages={945--960}, doi={10.1080/01621459.1986.10478354}}
@article{rubin1974estimating, author={Rubin, Donald B.}, title={{Estimating causal effects of treatments in randomized and nonrandomized studies}}, journal={Journal of Educational Psychology}, year={1974}, volume={66}, number={5}, pages={688--701}, doi={10.1037/h0037350}}
@article{rubin2005causal, author={Rubin, Donald B.}, title={{Causal inference using potential outcomes: Design, modeling, decisions}}, journal={Journal of the American Statistical Association}, year={2005}, volume={100}, number={469}, pages={322--331}, doi={10.1198/016214504000001880}}
R