我处理观测数据并为 DAG 定义假设似乎比教科书中提供的示例更复杂。对我来说，跳过 DAG 部分和条件会容易得多，而且发布时可能没有问题。然而，我喜欢在方法下明确我的因果假设的想法。
我将给出一个只有两个预测变量的简化示例，因此更容易理解。
背景资料
- 粗略的分析表明，来自不同城镇的人之间的收入存在非常明显的多重区域差异
- 性别和年龄等变量或节点在城镇之间存在差异（p < 0.05），表明需要进行调整分析
- 我已经使用各种预测变量组合完成了不同的单级和多级模型，并且区域差异的结果始终成立。
有向无环图
蓝色箭头对我来说似乎没问题；然而，城镇与性别/年龄之间的关系很难界定。我会带来一些，也许是愚蠢的例子
- 通过为一种性别提供更多工作（例如男性和采矿城镇），城镇可能是不同性别分布的原因
- 性别可能是改变居住地的原因（例如，当地政策歧视女性，她们搬到另一个城镇）
- 城镇可能被污染并缩短我们的预期寿命（年龄）
- 年龄可能是改变居住地的原因（例如搬到另一个城镇去上大学）
如您所见，因果假设可以是单向的（红色、绿色）或双向（橙色），或者将它们显示为无向的（无箭头）（黑色）是否更合理？
目标
- 由于城镇之间的年龄和性别不同，因此会有一个关于调整分析的问题。目标是使用调整后的分析来确认原始数据分析的结果（使它们更加防弹）——城镇之间的区域差异。
实现我的目标的最佳方式是什么？
对我来说，发布最保守的结果似乎是合理的，因为结果不会随着任何调整而改变。
最保守的调整是什么？
- 调整一切，年龄和性别，即使他们可能部分充当中介（未知方向或双向箭头）？
- 我应该用无向箭头显示因果图（那我应该如何命名）？
- 我应该显示一个带有双向箭头的因果图（仍然命名为 DAG？）
- 由于打开后门路径，无向箭头和双向箭头都会使性别和年龄混淆，我说得对吗？
您将如何解决并在您的文章中呈现这种情况？