Słownik metodologiczny · Wnioskowanie przyczynowe

Zmienna zderzeniowa (collider) – dlaczego nie kontrolować wspólnego skutku?

Zmienna zderzeniowa to wspólny skutek dwóch zmiennych. Jej kontrola albo dobór próby według niej tworzy związek, którego nie ma. Pokazujemy paradoks Berksona w symulacji w R i opis do pracy.

Strona główna / Słownik / Zmienna zderzeniowa

Opracowanie merytoryczne: · Opublikowano:

W skrócie: Zmienna zderzeniowa (collider) to wspólny skutek dwóch zmiennych, X → C ← Y. Bez kontroli nie tworzy związku między nimi. Kontrola zderzacza albo dobór próby według niego otwiera ścieżkę i daje fałszywy związek.

Co to jest zmienna zderzeniowa?

Zmienna zderzeniowa, czyli zderzacz (ang. collider), to zmienna, na którą wpływają dwie inne zmienne: X → C ← Y. Ścieżka przez zderzacz jest zamknięta, więc sam zderzacz nie tworzy związku między X i Y. Problem zaczyna się, gdy zderzacz kontrolujesz, warstwujesz albo dobierasz według niego próbę. Ścieżka się wtedy otwiera i pojawia się związek, którego w populacji nie ma. Elwert i Winship (2014) nazywają to endogennym błędem selekcji. Pełną procedurę doboru zmiennych kontrolnych opisujemy we wpisie o grafach przyczynowych (DAG).

Jak powstaje błąd zderzacza

Hernán i in. (2004) pokazują, że wiele rodzajów błędu selekcji ma tę samą strukturę: warunkowanie na wspólnym skutku ekspozycji i wyniku albo ich przyczyn. Zderzacz działa na trzy sposoby:

  • jako zmienna kontrolna w regresji;
  • jako kryterium doboru próby, np. pacjenci jednej poradni albo osoby przyjęte na studia;
  • przez swojego potomka, czyli zmienną, na którą zderzacz wpływa.

Klasyczną postacią jest paradoks Berksona: dwie niezależne choroby wydają się powiązane w próbie szpitalnej, bo każda zwiększa szansę hospitalizacji. Od zmiennej zakłócającej zderzacz różni kierunek strzałek. Wspólną przyczynę trzeba kontrolować, wspólnego skutku – nie.

Przykład: paradoks Berksona w rekrutacji

W symulacji 2000 kandydatów ma niezależne zdolności i pracowitość (r = −.009). Punkty rekrutacyjne zależą od obu cech, a uczelnia przyjmuje 20% najlepszych (n = 400). Wśród przyjętych r = −.517, 95% CI [−.585, −.441]. Zdolni studenci wydają się mniej pracowici, choć w populacji cechy nie mają związku. Ten sam efekt daje kontrola punktów w regresji na całej próbie: współczynnik zdolności zmienia się z −0.009 (p = .681) na −0.802 (SE = 0.014). Tak powstaje korelacja bez przyczynowości.

Jak opisać w pracy

Nie kontrolowano liczby punktów rekrutacyjnych, ponieważ według założonego grafu przyczynowego jest to wspólny skutek zdolności i pracowitości (zmienna zderzeniowa). Próba obejmowała wyłącznie osoby przyjęte na studia, dlatego związek między tymi cechami może być zniekształcony przez dobór na zderzaczu. Ograniczenie to omówiono w dyskusji.

Na co uważać

  • Zderzacz koreluje z wynikiem tak samo jak zmienna zakłócająca. Statystyka ich nie odróżni. Potrzebny jest graf i kryterium tylnych drzwi.
  • Dobór próby to też warunkowanie. Rohrer (2018) przypomina, że niereprezentatywna próba działa jak kontrola zderzacza. Żadna zmienna kontrolna tego nie naprawi (zob. reprezentatywność próby).
  • „Kontroluj wszystko” nie jest bezpieczne. Zmienne mierzone po ekspozycji często są zderzaczami. Krótko o tym we wpisie czy kontrolować wiek i płeć.
Przykład reprodukowalny

Błąd zderzacza w R

Kod symuluje niezależne zdolności i pracowitość, dobiera próbę według punktów rekrutacyjnych i porównuje regresję bez kontroli zderzacza i z nią.

Selekcja na wspólnym skutku

Dane wejściowe: 2000 kandydatów, zdolności i pracowitość niezależne, punkty = suma obu cech z szumem, przyjęto 20% najlepszych (dane symulowane, set.seed(3302)).

Co odczytać: korelację w całej grupie i wśród przyjętych z 95% CI oraz współczynnik zdolności bez kontroli punktów i z nią.

R
set.seed(3302)
n <- 2000
zdolnosci  <- rnorm(n)                         # niezależne od siebie
pracowitosc <- rnorm(n)
punkty <- zdolnosci + pracowitosc + rnorm(n, sd = 0.5)  # zderzacz: wspólny skutek
przyjety <- punkty > quantile(punkty, 0.80)    # przyjęto 20% najlepszych
round(c(r_wszyscy = cor(zdolnosci, pracowitosc),
        r_przyjeci = cor(zdolnosci[przyjety], pracowitosc[przyjety]),
        n_przyjetych = sum(przyjety)), 3)
round(as.numeric(cor.test(zdolnosci[przyjety], pracowitosc[przyjety])$conf.int), 3)  # 95% CI
# to samo przez kontrolę zderzacza w regresji
round(coef(summary(lm(pracowitosc ~ zdolnosci)))["zdolnosci", c(1, 2, 4)], 3)
round(coef(summary(lm(pracowitosc ~ zdolnosci + punkty)))["zdolnosci", c(1, 2, 4)], 3)
Wynik w R
   r_wszyscy   r_przyjeci n_przyjetych 
      -0.009       -0.517      400.000 
[1] -0.585 -0.441
  Estimate Std. Error   Pr(>|t|) 
    -0.009      0.022      0.681 
  Estimate Std. Error   Pr(>|t|)

Bibliografia oprogramowania

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

  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/

Najczęstsze pytania

Czym różni się zmienna zderzeniowa od zmiennej zakłócającej?

Zmienna zakłócająca jest wspólną przyczyną ekspozycji i wyniku, więc trzeba ją kontrolować. Zmienna zderzeniowa jest ich wspólnym skutkiem, a jej kontrola tworzy fałszywy związek.

Czym jest paradoks Berksona?

To błąd zderzacza w doborze próby. Dwie niezależne cechy wydają się powiązane w próbie wybranej według ich wspólnego skutku, np. wśród pacjentów szpitala albo osób przyjętych na studia.

Czy zmienna mierzona przed ekspozycją może być zderzaczem?

Tak. Może być wspólnym skutkiem dwóch niezmierzonych przyczyn ekspozycji i wyniku (M-bias). Takie obciążenie bywa jednak małe w porównaniu z pominięciem zmiennej zakłócającej.

Powiązane hasła

Kryterium tylnych drzwi (back-door)Zmienna zakłócającaKorelacja a przyczynowośćParadoks SimpsonaReprezentatywność próby

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 analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Elwert, F., & Winship, C. (2014). Endogenous selection bias: The problem of conditioning on a collider variable. Annual Review of Sociology, 40(1), 31–53. https://doi.org/10.1146/annurev-soc-071913-043455 ● Otwarty dostęp
  2. Hernán, M. A., Hernández-Díaz, S., & Robins, J. M. (2004). A structural approach to selection bias. Epidemiology, 15(5), 615–625. https://doi.org/10.1097/01.ede.0000135174.63482.43
  3. Rohrer, J. M. (2018). Thinking clearly about correlations and causation: Graphical causal models for observational data. Advances in Methods and Practices in Psychological Science, 1(1), 27–42. https://doi.org/10.1177/2515245917745629 ● Otwarty dostęp

Cytowania BibTeX

@article{elwert2014endogenous, author={Elwert, Felix and Winship, Christopher}, title={{Endogenous selection bias: The problem of conditioning on a collider variable}}, journal={Annual Review of Sociology}, year={2014}, volume={40}, number={1}, pages={31--53}, doi={10.1146/annurev-soc-071913-043455}}
@article{hernan2004structural, author={Hernán, Miguel A. and Hernández-Díaz, Sonia and Robins, James M.}, title={{A structural approach to selection bias}}, journal={Epidemiology}, year={2004}, volume={15}, number={5}, pages={615--625}, doi={10.1097/01.ede.0000135174.63482.43}}
@article{rohrer2018thinking, author={Rohrer, Julia M.}, title={{Thinking clearly about correlations and causation: Graphical causal models for observational data}}, journal={Advances in Methods and Practices in Psychological Science}, year={2018}, volume={1}, number={1}, pages={27--42}, doi={10.1177/2515245917745629}}
R