ในทางสถิติความไม่สามารถละเลยได้ (ignorability ) เป็นคุณลักษณะของการออกแบบการทดลองที่วิธีการเก็บรวบรวมข้อมูล (และลักษณะของข้อมูลที่หายไป) ไม่ขึ้นอยู่กับข้อมูลที่หายไป กลไกข้อมูลที่หายไป เช่น การกำหนดการรักษาหรือกลยุทธ์การสุ่มตัวอย่างแบบสำรวจนั้น "สามารถละเลยได้" หากเมทริกซ์ข้อมูลที่หายไป ซึ่งระบุว่าตัวแปรใดถูกสังเกตหรือหายไป เป็นอิสระจากข้อมูลที่หายไปโดยมีเงื่อนไขตามข้อมูลที่สังเกตได้นอกจากนี้ยังเรียกว่าความไม่สับสน การเลือกตามสิ่งที่สังเกตได้ หรือไม่มีอคติจากตัวแปรที่ถูกละเว้น^{[ 1 ]}

แนวคิดนี้เป็นส่วนหนึ่งของ แบบจำลองการอนุมานเชิง ^{สาเหตุ}ของรูบิน (Rubin Causal Inference Model ) ซึ่งพัฒนาโดยโดนัลด์ รูบินร่วมกับพอล โรเซนบอมในช่วงต้นทศวรรษ 1970 คำจำกัดความที่แน่นอนจะแตกต่างกันไปในบทความของพวกเขาในช่วงเวลานั้น ในบทความปี 1978 รูบินได้กล่าวถึงกลไกการกำหนดที่ละเลยได้ [ ^{2 ]}ซึ่งสามารถเข้าใจได้ว่าวิธีการที่บุคคลถูกกำหนดให้กับกลุ่มการรักษาไม่เกี่ยวข้องกับการวิเคราะห์ข้อมูล เนื่องจากทุกสิ่งที่บันทึกไว้เกี่ยวกับบุคคลนั้น ในบทความปี 1983 เกี่ยวกับการจับคู่คะแนนความโน้มเอียง (propensity score matching ) รูบินและโรเซนบอมได้กำหนดเงื่อนไขที่เข้มงวดกว่าของการกำหนดการรักษาที่สามารถละเลยได้อย่างมาก (strongly ignorable ) ซึ่งกำหนดเป็นสูตรทางคณิตศาสตร์ดังนี้${\displaystyle (r_{1},r_{0})\perp \!\!\!\perp z\mid v,\quad 0<\operatorname {pr} (z=1)<1\quad \forall v}$, ที่ไหน${\displaystyle r_{t}}$เป็นผลลัพธ์ที่เป็นไปได้เมื่อได้รับการรักษา${\displaystyle t}$,${\displaystyle v}$มีตัวแปรควบคุมบางส่วนและ${\displaystyle z}$คือการรักษาจริง^{[ 3 ]}

Judea Pearlได้คิดค้นเกณฑ์กราฟิกง่ายๆ ที่เรียกว่าback-doorซึ่งเกี่ยวข้องกับความเพิกเฉยและระบุชุดของตัวแปรเสริมที่บรรลุเงื่อนไขนี้^{[ 4 ]}

ความเพิกเฉยหมายความว่าเราสามารถเพิกเฉยต่อสาเหตุที่บุคคลหนึ่งไปอยู่ในกลุ่มหนึ่งหรืออีกกลุ่มหนึ่งได้ ('ได้รับการปฏิบัติ')${\displaystyle Tx=1}$หรือ 'ควบคุม'${\displaystyle Tx=0}$) เมื่อพูดถึงผลลัพธ์ที่เป็นไปได้ (เช่น${\displaystyle Y}$ศักยภาพ${\displaystyle Y}$ผลลัพธ์ของบุคคล${\displaystyle i}$ การที่พวกเขาได้รับการรักษาหรือไม่นั้น ไม่ได้ขึ้นอยู่กับว่าพวกเขาได้รับการรักษาจริงหรือไม่ (สามารถสังเกตได้) เราสามารถถือว่าผลลัพธ์ที่เป็นไปได้ของพวกเขาสามารถสลับเปลี่ยนกันได้

ในทางรูปแบบแล้ว ข้อความนี้เขียนไว้ดังนี้${\displaystyle [Y_{i}^{1},Y_{i}^{0}]\perp Tx_{i}}$โดยใช้สัญลักษณ์ (ที่เสนอโดยDavid Freedman ^{[ 5 ]} ) ซึ่งเราจะเพิ่มตัวห้อยสำหรับโลกที่ 'เป็นจริง' และตัวยกสำหรับโลกที่ 'อุดมคติ' (ศักยภาพ) ดังนั้น: Y ¹และ^* Y ¹คือผลลัพธ์ Y ที่เป็นไปได้หากบุคคลนั้นได้รับการรักษา (ตัวยก¹ ) เมื่อในความเป็นจริงพวกเขาได้รับการรักษาจริง ๆ (Y ¹ , ตัวห้อย ) หรือไม่ (*Y ¹ : the${\displaystyle ^{*}}$แสดงให้เห็นว่าปริมาณนี้ไม่สามารถเกิดขึ้นหรือสังเกตได้เลย หรือเป็นสิ่งที่ตรงกันข้ามกับความเป็นจริงโดยสิ้นเชิง (CF) ในทำนองเดียวกัน${\displaystyle ^{*}Y_{1}^{0}/Y_{0}^{0}}$มีศักยภาพ${\displaystyle Y}$ผลลัพธ์หากบุคคลนั้นไม่ได้รับการรักษา (ตัวยก)${\displaystyle ^{0}}$) ในความเป็นจริงแล้วพวกเขาเป็น${\displaystyle ^{*}Y_{1}^{0}}$, ตัวห้อย${\displaystyle _{1}}$หรืออาจจะไม่ใช่ความจริง (${\displaystyle Y_{0}^{0}}$)

สำหรับเงื่อนไขการกำหนดเดียวกันนั้น จะมีผลลัพธ์ที่เป็นไปได้ (PO) เพียงหนึ่งเดียวเท่านั้นที่สามารถเกิดขึ้นได้ ส่วนผลลัพธ์อื่น ๆ จะไม่สามารถเกิดขึ้นได้ ดังนั้นเมื่อเราพยายามประมาณผลกระทบของการรักษา เราจึงต้องการสิ่งที่จะมาแทนที่ผลลัพธ์ที่ขัดแย้งกับความเป็นจริงโดยสิ้นเชิงด้วยสิ่งที่สังเกตได้ (หรือประมาณค่า) เมื่อเงื่อนไขการเพิกเฉย/ความเป็นภายนอกเป็นจริง เช่น เมื่อผู้คนถูกสุ่มให้ได้รับการรักษาหรือไม่ เราสามารถ 'แทนที่' * ^{ด้วยค่าที่}สังเกตได้ Y11 *Y10 ^ด้วยที่สังเกตได้Y00ไม่ใช่ในระดับบุคคล Yi เมื่อพูดถึงค่าเฉลี่ย เช่น E[ Yi1 – Yi0 ^{ของการ รักษาเชิง} หาคำตอบ

เนื่องจาก 'กฎความสอดคล้อง' ผลลัพธ์ที่เป็นไปได้คือค่าที่เกิดขึ้นจริง ดังนั้นเราจึงสามารถเขียน Y ⁰ = Y ⁰และ Y ¹ = Y ¹ (“กฎความสอดคล้องระบุว่าผลลัพธ์ที่เป็นไปได้ของแต่ละบุคคลภายใต้เงื่อนไขสมมติที่เกิดขึ้นจริงคือผลลัพธ์ที่บุคคลนั้นประสบ” ^{[ 6 ]}หน้า 872) ดังนั้น TE = E[Y ¹ – Y ⁰ ] = E[Y ¹ – Y ⁰ ] ตอนนี้ โดยการบวกและลบปริมาณที่ตรงกันข้ามอย่างสมบูรณ์ *Y ⁰เราจะได้:

E[Y ¹ – Y ⁰ ] = E[Y ¹ –*Y ⁰ +*Y ⁰ - Y ⁰ ] = E[Y ¹ –*Y ⁰ ] + E[*Y ⁰ - Y ⁰ ] = ATT + { อคติในการเลือก }

โดยที่ ATT = ผลกระทบการรักษาโดยเฉลี่ยต่อผู้ที่ได้รับการรักษา^{[ 7 ]}และเทอมที่สองคืออคติที่เกิดขึ้นเมื่อผู้คนมีทางเลือกที่จะอยู่ในกลุ่ม 'ได้รับการรักษา' หรือกลุ่ม 'ควบคุม' การเพิกเฉย ไม่ว่าจะโดยตรงหรือโดยขึ้นอยู่กับตัวแปรอื่น ๆ หมายความว่าอคติในการเลือกดังกล่าวสามารถเพิกเฉยได้ ดังนั้นจึงสามารถกู้คืน (หรือประมาณ) ผลกระทบเชิงสาเหตุได้

• หายไปโดยสุ่ม

• Gelman, Andrew ; Carlin, John B.; Stern, Hal S.; Rubin, Donald B. (2004). การวิเคราะห์ข้อมูลแบบเบย์เซียน . นิวยอร์ก: Chapman & Hall/CRC.
• Jaeger, Manfred (2011). "ความไม่สามารถเพิกเฉยได้ในการอนุมานทางสถิติและความน่าจะเป็น"วารสารวิจัยปัญญาประดิษฐ์ 24 : 889– 917. arXiv : 1109.2143 . Bibcode : 2011arXiv1109.2143J . doi : 10.1613 /jair.1657 . S2CID 12806880 .