MerQuR+Başvuru Kitabı

135. Nedensel çizge (DAG) çözümlemesi

Şablon kimliği: nedensel_cizge · Kategori: nedensel çıkarım · Dil: R · Dosya: pro/sablonlar/nedensel/nedensel_cizge.R (satır 1–383; üstbilgi 1–113) · Örnek veri: _ornek/nedensel_cizge_spor.csv · Paketler: dagitty 0.3-4 (R 4.5.3)

135.1 Ne işe yarar

Araştırmacının varsaydığı nedensel çizgeden (yönlü döngüsüz çizge, DAG), veriye ve modele geçmeden önce tasarım kararlarını türetmek için kullanılır: hangi değişkenlere göre düzeltme yapılmalı, hangileri yapılmamalı, hangi değişken araç olabilir, çizge veriyle çelişiyor mu? Tipik soru: ısınma egzersizi programı spor yaralanmasını azaltıyor mu ve bunu kestirmek için hangi karıştırıcıları modele koymalıyım? Şablon, çizgeyi dagitty sözdizimiyle okur (Textor ve ark., 2016) ve şu çıktıları verir:

  • Ayarlama kümeleri (geri kapı ölçütü): maruziyetin sonuç üzerindeki toplam ya da doğrudan etkisini yansız kestirmek için modele girmesi yeterli değişken kümeleri (en küçük, bütün ya da kanonik);
  • koşullu araç değişkenler, maruziyet ile sonuç arasındaki yollar ve açık/kapalı durumları;
  • çizgenin gerektirdiği koşullu bağımsızlıklar ve istenen d-ayrılık sorguları;
  • isteğe bağlı: istatistiksel olarak eşdeğer DAG'lar;
  • veri açıksa: gerektirilen bağımsızlıkların veriyle sınanması (kısmi korelasyon, loess ya da ki-kare).
X\perp_d Y\mid Z\ \Rightarrow\ X\perp Y\mid Z\quad(\text{yerel Markov özelliği}),\qquad r_{XY\cdot Z}=\frac{-P_{XY}}{\sqrt{P_{XX}P_{YY}}},\quad \sqrt{n-|Z|-3}\ \operatorname{artanh}(r_{XY\cdot Z})\ \overset{a}{\sim}\ N(0{,}1)
  • \perp_d: d-ayrılık, çizge üzerinde bir grafik kuralıdır; \perp: olasılıksal bağımsızlık.
  • P=\Sigma^{-1}: X,Y ve Z değişkenlerinin korelasyon matrisinin tersi (duyarlılık matrisi); r_{XY\cdot Z}: Z verildiğinde X ile Y'nin kısmi korelasyonu.
  • |Z|: koşul değişkeni sayısı; n: tam gözlem sayısı.

Bu çözümleme modelsizdir: çizgenin doğru olduğunu varsayar ve çıkarımı yalnız çizge yapısından yapar; çizgenin doğruluğunu veri kanıtlayamaz, ancak gerektirdiği bağımsızlıklarla çelişip çelişmediğini sınar. Bir çizgeyle tutarlı veriyi aynı bağımsızlıkları gerektiren eşdeğer DAG'lar da açıklar (135.4.6): tutarlılık, çizgenin yönlerinin doğrulandığı anlamına gelmez. Ayarlama kümeleri, ölçülmemiş (gizil) değişkenleri içeremez; maruziyet ile sonuç arasında ayarlamayla kapatılamayan bir yol varsa küme yoktur ve şablon bunu açıkça yazar.

Ne zaman kullanılır?

  • Çalışma tasarlanırken ya da model kurulmadan önce hangi değişkenlerin ölçülmesi ve modele konması gerektiğine karar vermek için; "kötü kontrol" (çarpışma, aracı değişken) hatasından kaçınmak için (Cinelli ve ark., 2024).
  • Bir ayarlama kümesinin tek ya da çok olduğunu, hangi değişkenin araç değişken olabileceğini görmek için.
  • Uzmanların çizdiği çizgenin veriyle çelişen yerlerini bulmak için.

Ne zaman kullanılmaz?

  • Çizgeden sonra tedavi etkisini kestirmek asıl amaçsa: ayarlama kümesini Bölüm 125 cift_saglam_aipw ya da Bölüm 127 dengeleme_agirliklari gibi bir kestirim şablonunun ortak değişkenleri olarak kullanın; bu şablon etki kestirmez.
  • Çizge döngü içeriyorsa (geri bildirim, eşzamanlı denklemler): şablon döngüyü bildirir ve durur.
  • Ölçülmemiş karıştırıcıya duyarlılığı ölçmek için: Bölüm 131 ihmal_duyarlilik.
  • Çizge yönsüz ya da kısmen yönlü (PDAG, MAG) ise: şablon yalnız dag türünü kabul eder.
  • Birçok sürekli olmayan, doğrusal olmayan değişkenin koşullu bağımsızlığı sınanacaksa: kısmi korelasyon doğrusal ilişkiyi sınar (135.4.5).

Temel programla ilişki. Temel programda nedensel çizge çözümlemesi yoktur; yol çözümlemesi ve yapısal eşitlik modelleri yönlü bir modeli kestirir ve uyumunu sınar, ama ayarlama kümesi, araç değişken ve d-ayrılık türetmez. Bu şablon yalnız burada çizgeden tasarım kararı çıkarır.

135.2 Şablonun girdileri

Form, üstbilgideki 15 [[param]] bloğundan kurulur (nedensel_cizge.R:11–112). Türlerin anlamı ve formun ortak denetimi Bölüm 1.2'dedir. Şablonun hiçbir alanı veri sütununu seçmez: çizgedeki değişken adları verideki sütun adlarıyla eşleşir (büyük/küçük harfe duyarlı); veri yalnız bağımsızlık testleri için gerekir.

Alan (form etiketi) · ad Tür · sekme Varsayılan Geçerli değerler Kodda etkisi
Nedensel çizge (dagitty sözdizimi) · dag metin · Model dag { X [exposure]; Y [outcome]; Z -> X; Z -> Y; X -> M; M -> Y } en çok 2000 karakter Çizge g (11–17, 131–139).
Maruziyet(ler) · maruziyet metin · Model boş virgülle ayrılmış değişken adları exposures(g) (18–23, 140–143).
Sonuç(lar) · sonuc metin · Model boş virgülle ayrılmış değişken adları outcomes(g) (24–29, 140–144).
Ek gizil değişkenler · gizil metin · Model boş virgülle ayrılmış latents(g) (30–35, 145).
Etki türü · etki seçim · Model total total, direct effect (36–42, 148).
Ayarlama kümeleri · kume_turu seçim · Model minimal minimal, all, canonical type (43–49, 159).
Veriyle sına · testler onay · Seçenekler açık açık/kapalı localTests (50–55, 258).
Bağımsızlık testi · test_turu seçim · Seçenekler cis cis, cis.loess, cis.chisq test türü (56–62, 267).
Çoklu test düzeltmesi · p_duzeltme seçim · Seçenekler holm holm, BH, none p.adjust (63–69, 297, 315).
En çok koşul değişkeni · en_cok_kosul tamsayı · Seçenekler 0 (sınırsız) 0–100 Test süzmesi (70–77, 206–207).
Bootstrap yinelemesi · bootstrap_R tamsayı · Seçenekler 208 20–10000 Yalnız loess (78–85, 291–292).
d-ayrılık sorguları · dsep metin · Seçenekler boş X _||_ Y | Z1, Z2; birden çoksa ; dseparated (86–92, 235–253).
Eşdeğer DAG'lar · denklik onay · Seçenekler kapalı açık/kapalı equivalentDAGs (93–98, 211–231).
Tohum · tohum tamsayı · Seçenekler 2016 1–2147483647 set.seed (99–105, 289, 346).
Loess testinde Bonferroni uyarlı güven aralığı · loess_bonferroni onay · Seçenekler kapalı açık/kapalı localTests(conf.level = 1 − 0,05/m) (106–112, 292, 319–326).

Çizge sözdizimi. dag { A -> B; B -> C; A <-> C }: kenarlar ->; <-> ölçülmemiş ortak neden; [exposure], [outcome], [latent] düğüm işaretleri; ayırıcı ; ya da boşluk; yalnız kenar da yazılabilir (A -> B B -> C). Koordinatlar [pos="x,y"] ile verilebilir. Değişken adı harf, rakam, _ ve . içerebilir; Türkçe harf ya da boşluk içeren ad çift tırnak içine alınmalıdır ("Boy cm"); aksi hâlde sözdizimi hatası çıkar. Maruziyet ve sonuç formdan da verilebilir; formdaki değer çizgedeki işareti ezer. Gizil olarak işaretlenen değişkenler ayarlama kümelerine, maruziyet ya da sonuç olamaz (158).

Şablonun kendi denetimleri (mq_hata):

Koşul İleti (özet) Satır
Çizge boş "Nedensel çizgeyi yazın …" 132
Sözdizimi hatası "Çizge sözdizimi okunamadı (dagitty): …" 133–134
Çizgede değişken yok "Çizgede değişken yok." 135
Çizge türü dag değil (pdag, mag, …) "Bu şablon yönlü döngüsüz çizge (dag) bekler …" 137
Döngü var "Çizgede döngü var: A -> B -> C -> A …" 138
Form değişkeni çizgede yok "Çizgede olmayan değişkenler: …" 142
Maruziyet ile sonuç aynı "Maruziyet ve sonuç aynı değişken olamaz." 157
Maruziyet ya da sonuç gizil "Maruziyet ya da sonuç gizil değişken olamaz." 158
Kısmi korelasyon testi için sayısal olmayan değişken "Kısmi korelasyon testleri sayısal değişken ister; …" 275
Sabit değişken "Sabit değişkenler bağımsızlık testinde kullanılamaz: …" 277
Sonsuz değer "Testlerde sonsuz değer var." 278
Tam gözlem <\max(10,\ k_{\max}+5) "Testler için tam gözlem sayısı yetersiz (n = …)." 281
Ki-kare ve >20 farklı değerli değişken "Ki-kare testi kategorik değişken ister; …" 284

Veriye ilişkin davranışlar: sınanacak bağımsızlıklardaki değişkenler için eksik değerli satırlar toplu olarak atılır ve atılan satır sayısı yazılır (271–273); çizgede olup veride bulunmayan değişkenleri içeren bağımsızlıklar sınanmaz ve bu sayı yazılır (262–265). Maruziyet ve sonuç belirtilmemişse ayarlama, araç ve yol çıktıları yerine bir açıklama yazılır (88). Kısmi korelasyonun güven aralığı %95'e sabittir (303); loess aralığı %95'tir ya da loess_bonferroni açıkken 1-0{,}05/m düzeyindedir (m sınanan bağımsızlık sayısı; 292). Çizge sözdizimi okunamazsa ve metin ASCII dışı harf içeriyorsa ileti adları çift tırnak içine almayı önerir (133–134).

Örnek ayar (ornek_param, satır 9): dag = dag { WUE [exposure]; I [outcome]; C -> FL; C -> TM; CS -> IGP; CS -> PI; FL -> NMF; FL -> PGP; IGP -> I; NMF -> I; NMF -> IGP; PGP -> WUE; TM -> IGP; TM -> PI; WUE -> IGP }, denklik = açık; öteki alanlar varsayılandadır.

135.3 Örnek veri

nedensel_cizge_spor.csv: Textor ve ark.'nın (2016) spor hekimliği örneği. Çizge, Shrier ve Platt'tan (2008) uyarlanmış ısınma egzersizi (WUE) ile sakatlanma (I) çizgesidir; veri, dagitty.net sitesindeki benzetim verisidir (n = 500 satır, 10 sayısal sütun, eksik değer yok). Veri sekmesinin algıladığı tür: bütün sütunlar sayısal.

Değişken Rolü (çizgede)
WUE maruziyet: ısınma egzersizi
I sonuç: sakatlanma
C, CS, FL, TM, PI maruziyet ve sonuç dışındaki gözlenen değişkenler
PGP çizgede maruziyetin ebeveyni (PGP → WUE) ve FL'nin çocuğu
IGP maruziyetin çocuğu ve sonucun ebeveyni (WUE → IGP → I); ayrıca CS, NMF, TM ile çarpışma düğümü
NMF FL'nin çocuğu; I ve IGP'nin ebeveyni

Çizge 10 düğüm ve 13 yönlü kenar içerir. Maruziyetten sonuca tek nedensel yol vardır (WUE → IGP → I); ayrıca PGP üzerinden açık bir geri kapı yolu (WUE ← PGP ← FL → NMF → I) bulunur. IGP hem maruziyetin etkisinin aracısıdır hem NMF, TM ve CS ile çarpışma düğümüdür; bu yüzden ayarlama kümesine konmamalıdır (135.4.2).

Bu bölümde kullanılan çalıştırmalar (dogrulama/nedensel_cizge/kos.py, kos_ek.py): nc_ornek (örnek ayar), ncz_tum (kume_turu = all), ncz_kanonik, ncz_dogrudan (etki = direct), ncz_dsep (d-ayrılık sorguları), ncz_test_bh, ncz_test_yok, ncz_test_k1 (en_cok_kosul = 1), ncz_test_loess (cis.loess, bootstrap_R = 50), ncz_test_loess_t99 (tohum 99), ncz_gizil, ncz_maruz_form, ncz_iv, ncz_ayarsiz, ve sınır durumları (ncz_dongu, ncz_sozdizimi, ncz_pdag, ncz_mag, ncz_bos, ncz_tr_karakter, ncz_tr_tirnak, ncz_eksik, ncz_virgul, ncz_sabit, ncz_n8, ncz_n14, ncz_tam_bagimli, ncz_sonsuz, …). Türetilmiş veriler dogrulama/nedensel_cizge/spor_*.csv.

135.4 Yöntem: formüller ve hesap adımları

Hesap sırası: çizge ayrıştırılır ve denetlenir (131–148); özet ve ayarlama kümeleri (149–175); araç değişkenler ve yollar (183–200); gerektirilen bağımsızlıklar (205–207); eşdeğer DAG'lar (211–231); özet tablosu (232); d-ayrılık sorguları (235–253); veriyle sınama (258–341); iki şekil (344–382).

135.4.1 d-ayrılık

Bir yol (yönden bağımsız, birbirini izleyen kenarlar), koşul kümesi Z tarafından şu durumda kapatılır: yol üzerinde Z'de bulunan bir aracı ya da çatal düğüm varsa (\to M\to, \leftarrow M\to, M\in Z) ya da Z'de ne kendisi ne de bir torunu bulunan bir çarpışma düğümü (\to C\leftarrow) varsa. Z, X ile Y arasındaki bütün yolları kapatıyorsa X ve Y d-ayrıktır (Pearl, 1995). Eşdeğer ve daha kolay hesaplanan bir tanım: X,Y,Z ile ataların kümesinin alt çizgesini alın, her çocuğun ebeveynlerini birbirine bağlayın (ahlaksallaştırma), yönleri silin ve Z'yi çıkarın; X ile Y arasında yol kalmıyorsa d-ayrıktır. dseparated(g, X, Y, Z) (250) bunu hesaplar. Örnek çizgede WUE ile I ayarlamasız d-bağlıdır (tek nedensel yol açık); C ile CS ayrıktır.

135.4.2 Ayarlama kümeleri (geri kapı ölçütü)

Toplam etki için Z geçerli bir ayarlama kümesidir (genel ayarlama ölçütü; Textor ve ark., 2016) ancak: (i) Z, maruziyetin sonuca giden uygun nedensel yolların üzerindeki düğümlerin torunlarını (kendileri dahil) ve maruziyeti içermiyorsa ("yasak" düğümler) ve (ii) uygun nedensel yolların ilk kenarları çizgeden çıkarıldıktan sonra Z, maruziyeti ve sonucu d-ayrık yapıyorsa. Örnek çizgede nedensel yol WUE → IGP → I; yasak düğümler {IGP, I} (ve maruziyet); geriye C, CS, FL, NMF, PGP, PI, TM kalır. adjustmentSets(g, exposure, outcome, type, effect) (160) şu kümeleri döndürür:

  • minimal (varsayılan): hiçbir öz altkümesi geçerli olmayan kümeler. Örnekte dört küme: \{\mathrm{NMF},\mathrm{TM}\}, \{\mathrm{C},\mathrm{NMF}\}, \{\mathrm{FL}\}, \{\mathrm{PGP}\}.
  • all: bütün geçerli kümeler (örnekte 108); tabloya "en küçük mü" sütunu eklenir (170).
  • canonical: tek ve büyük bir küme (örnekte \{\mathrm{C},\mathrm{CS},\mathrm{FL},\mathrm{NMF},\mathrm{PGP},\mathrm{TM}\}, 6 düğüm); geçerli olduğu bağımsız hesapta sınanmıştır (135.6.1).
  • direct etki: yalnız X\to Y kenarı kalıp başka bütün yollar kapatılır; yasak düğüm kümesi farklıdır. Örnekte maruziyet ile sonuç arasında doğrudan kenar bulunmadığından küme \{\mathrm{IGP},\mathrm{NMF}\} olur (dolaylı yolu kapatır).

Küme boşsa ("boş küme geçerli") maruziyet ile sonuç arasında açık geri kapı yolu yoktur ve ayarlama gerekmez (174). Kümeler hiç yoksa şablon "geçerli bir ayarlama kümesi YOKTUR" yazar ve araç değişken ya da ön kapı yaklaşımını anar (163–166).

Neden `IGP` ayarlama kümesinde yok

IGP hem maruziyetin etkisinin aracısıdır (\mathrm{WUE}\to\mathrm{IGP}\to I) hem NMF, TM, CS ile çarpışma düğümüdür. Ayarlamak (i) nedensel yolun bir parçasını kapatır (toplam etki azalır) ve (ii) WUE ← … → IGP ← … → I gibi kapalı yolları açar (çarpışma yanlılığı). Toplam etki için hiçbir geçerli küme yasak düğüm içeremez.

135.4.3 Koşullu araç değişkenler

I değişkeni, Z verildiğinde maruziyet X ve sonuç Y için koşullu araçtır (grafik koşulları dagitty belgelerindeki tanımdır) ancak: (i) Z sonucun torunu içermiyorsa; (ii) I ile Y, maruziyetten çıkan kenarlar silinmiş çizgede Z verildiğinde d-ayrıksa; (iii) I ile X Z verildiğinde d-bağlıysa. instrumentalVariables (183) bu üç koşula uyan çiftleri döndürür. Örnekte üç araç ve ortak koşul \{\mathrm{NMF},\mathrm{TM}\}: C, FL, PGP. Araç değişkenin gerçek bir araç olması ayrıca dışlama kısıtının (aracın sonuca yalnız maruziyet üzerinden etki etmesi) çizgeden bağımsız savunulmasını gerektirir; şablon yalnız çizgedeki grafik koşullarını sınar.

135.4.4 Gerektirilen koşullu bağımsızlıklar

Çizge, her bitişik olmayan (U,V) çifti için U\perp V\mid Z biçiminde bağımsızlıklar gerektirir. impliedConditionalIndependencies(g) (205), her bitişik olmayan çift için bütün en küçük ayırıcı kümeleri döndürür. Örnek çizgede 45 düğüm çiftinden 13'ü bitişiktir; 32 bitişik olmayan çift 64 bağımsızlık verir (ör. TM ile WUE için üç en küçük ayırıcı: \{\mathrm{PGP}\}, \{\mathrm{FL}\}, \{\mathrm{C}\}). en_cok_kosul >0 ise yalnız |Z|\le sınır olanlar kalır (207). Bunlar çizgenin test edilebilir sonuçlarıdır; eksik bir kenar ya da yanlış yön bunlardan birini bozar.

135.4.5 Veriyle sınama

localTests (291–292) her bağımsızlığı sınar:

  • cis (varsayılan, doğrusal kısmi korelasyon): r=r_{XY\cdot Z} (korelasyon matrisinin tersiyle), z=\operatorname{artanh} r, test istatistiği \sqrt{n-|Z|-3}\,z\sim N(0{,}1), p=2\Phi(-\sqrt{n-|Z|-3}\,|z|) (aynı değer \chi^2_1 ile). GA \tanh\big(z\pm z_{0{,}975}/\sqrt{n-|Z|-3}\big) olarak hesaplanır (301–305). dagitty 0.3-4'ün kendi GA'sı bu dönüşümde atan kullanır; şablon doğru dönüşümü (tanh) uygular. Fark |r|<0{,}3 için dördüncü ondalıktadır.
  • cis.loess: her değişkenin Z üzerinde yerel polinom (loess) artıklarının korelasyonu; bootstrap GA'sı (bootstrap_R yineleme); p yoktur (307–309). Doğrusal olmayan ilişkiyi de yakalamak için tasarlanmıştır; rastgeledir ve tohuma bağlıdır. p olmadığından Holm/BH uygulanmaz; şablon bunu söyleyen bir not yazar (ve beklenen yanlış alarm sayısını 0{,}05\,m olarak verir). loess_bonferroni açıkken her aralık 1-0{,}05/m düzeyinde kurulur ve karar kuralı bu aralığa dayanır.
  • cis.chisq: kategorik değişkenler için ki-kare testi (RMSEA, serbestlik derecesi, p; 294–296). Değişkenler en çok 20 farklı değerli olmalıdır (284); 10'dan çok düzey uyarı üretir (285–286).

Çoklu test. Kısmi korelasyon ve ki-karede p değerleri Holm (varsayılan), Benjamini-Hochberg ya da düzeltmesiz yazılır (315). Loess'te düzeltme ancak loess_bonferroni ile yapılır. Holm: p_{(i)}^{\mathrm{düz}}=\min\big(1,\max_{j\le i}(m-j+1)\,p_{(j)}\big), m test sayısı; en_cok_kosul süzmesi m'yi değiştirir (135.8). Karar: düzeltilmiş p<0{,}05 olan testler (loess için GA sıfırı içermeyenler; GA düzeyi yukarıdaki gibidir) "veriyle çelişen" sayılır ve konsola yazılır (327–334).

135.4.6 Eşdeğer DAG'lar

Aynı iskelete (bitişiklik) ve aynı v-yapılarına (bitişik olmayan iki ebeveynin çocukta çarpışması) sahip DAG'lar Markov eşdeğeridir: aynı bağımsızlıkları gerektirir ve veriden ayırt edilemez. equivalentDAGs(g, n = 1000) (212) en çok 1000 eşdeğer DAG sayar. Örnekte yedi v-yapısı vardır (CS → IGP ← NMF, CS → IGP ← TM, CS → IGP ← WUE, NMF → IGP ← TM, NMF → IGP ← WUE, TM → IGP ← WUE, CS → PI ← TM) ve C – FL, C – TM, FL – NMF, FL – PGP, PGP – WUE kenarları yönsüz kalır; bu ağaç yapısı, kök seçimiyle 6 eşdeğer DAG üretir. İki ek satır yazılır: eşdeğerlik sınıfının tamamında geçerli ayarlama kümeleri (adjustmentSets(equivalenceClass(g), …); örnekte yok) ve en küçük kümelerin hepsi geçerli olan eşdeğer DAG sayısı (örnekte 5/6; etki = direct iken geçerlilik doğrudan etki ölçütüyle denetlenir: maruziyetten sonuca giden kenarlar çıkarılmış çizgede d-ayrılık ve kümede sonucun torunu bulunmaması; örnekte 6/6, 217–224): dört kümenin her biri 6 DAG'ın 5'inde geçerlidir; kalan DAG, WUE → PGP yönünün tersine çevrildiği DAG'dır: orada maruziyetten çıkan yeni nedensel yollar (ör. WUE → PGP → FL) açılır ve kümeler yasak (torun) düğüm içerir.

135.5 Kod adım adım

Satırlar Ne yapar Neden / dikkat
1–113 Üstbilgi: 14 parametre, örnek veri ve ayar.
114–130 Yardımcılar: .m, .paket_iste (dagitty kurulu değilse kurulum komutunu yazar), liste, kume_yaz, bag_yaz. liste, virgül ve noktalı virgülle ayırır (126).
131–139 Çizgenin okunması ve türü, döngü denetimi, düğüm adları. dag dışı tür hata verir (137).
140–148 Maruziyet, sonuç ve gizil değişkenlerin formdan işlenmesi. Formdaki değer çizgedekini ezer.
149–153 Özet tablosu için ilk satırlar.
154–203 Ayarlama kümeleri (adjustmentSets), tablo, boş küme notu; araç değişkenler; yollar (ayarlamasız ve ilk kümeyle). Yalnız tek maruziyet ve tek sonuçta araç ve yol tabloları (182).
204–231 Gerektirilen bağımsızlıklar; isteğe bağlı eşdeğer DAG ve eşdeğerlik sınıfı satırları. en_cok_kosul süzmesi (207).
232 Özet tablosu.
234–253 d-ayrılık sorguları. Biçim: X _||_ Y | Z; X, Y (virgül) biçimi de kabul edilir (242–244).
255–341 Veriyle sınama: değişken denetimi, localTests, tablo, Holm, çelişen bağımsızlıklar. Tohum form parametresinden (289).
343–368 DAG şekli: maruziyet turuncu, sonuç mavi, ilk ayarlama kümesi yeşil, gizil gri; çift yönlü kenar kesikli. Koordinat yoksa graphLayout (346).
369–382 Bağımsızlık testleri şekli (en çok 40 test; çelişenler turuncu).

Süre: örnek ayarda çalıştırma 3,2 s (eşdeğer DAG satırlı: 6,6 s).

135.6 Elle hesap: örnek veride bağımsız yeniden hesap

Bağımsız hesap iki yoldan yapıldı: dogrulama/nedensel_cizge/elle_hesap.py (yalnız numpy, pandas, scipy; dagitty kullanılmaz: d-ayrılık, arka kapı kümeleri, en küçük ayırıcılar, yollar ve eşdeğer DAG'lar kaba kuvvetle; kısmi korelasyon ve Holm açık formülle) ve r_dogrulama.R (bnlearn::dsep, igraph yol sayımı, taban R'de artık korelasyonu, pnorm ve p.adjust).

Adım 1 — d-ayrılık. WUE ile I: ahlaksallaştırılmış ata çizgesinde WUE → IGP → I yolu açık kalır; \{\mathrm{NMF},\mathrm{TM}\} verildiğinde bile d-bağlıdır (ayarlama kümesi nedensel yolu kapatmaz). C _||_ CS: ata kümesi yalnız \{C,CS\}, aralarında kenar yok: d-ayrık. TM _||_ PGP | C: d-ayrık. Üç sorgu şablonla ve bnlearn ile aynıdır.

Adım 2 — Ayarlama kümeleri. Nedensel yol WUE → IGP → I; yasak düğümler \{\mathrm{WUE},\mathrm{IGP},\mathrm{I}\}. Aday \{C,CS,FL,NMF,PGP,PI,TM\}'in 2^7=128 altkümesinden WUE → IGP kenarı çıkarılmış çizgede \mathrm{WUE}\perp_d\mathrm{I}\mid Z olanlar 108'dir; hiçbir öz altkümesi geçerli olmayan dört küme \{\mathrm{NMF},\mathrm{TM}\}, \{\mathrm{C},\mathrm{NMF}\}, \{\mathrm{FL}\}, \{\mathrm{PGP}\}'dir. Şablonun all tablosu da 108 kümedir (aynı kümeler).

Adım 3 — Yollar. WUE ile I arasında 10 basit yol (yön gözetmeksizin); nedensel olan 1 (WUE → IGP → I). Ayarlamasız açık yol 4: nedensel yol ve PGP üzerinden üç geri kapı yolu (WUE ← PGP ← FL → NMF → I, … → NMF → IGP → I, WUE ← PGP ← FL ← C → TM → IGP → I). \{\mathrm{NMF},\mathrm{TM}\} ile yalnız nedensel yol açık kalır: geri kapı yolları kapatılmıştır.

Adım 4 — Gerektirilen bağımsızlıklar. 45 düğüm çiftinden 13 kenar çıkınca 32 bitişik olmayan çift kalır; her çift için bütün en küçük ayırıcılar kaba kuvvetle (8 düğüm, 256 altküme) bulunur: toplam 64 bağımsızlık (şablon: 64). bnlearn aynı 64'ünü d-ayrık bulur. Örnek: TM ⟂ WUE | {PGP}, {FL}, {C}.

Adım 5 — Kısmi korelasyon testleri (n=500). TM _||_ WUE | PGP: r=0{,}252064, z=\operatorname{artanh}r=0{,}257615, \sqrt{500-1-3}\,z=5{,}7374, p=9{,}616\times10^{-9}, Holm (m=64, sıra 1): 64\,p=6{,}154\times10^{-7}. TM _||_ WUE | FL: r=0{,}248588, p=1{,}560\times10^{-8}, Holm 63\,p=9{,}831\times10^{-7}; TM _||_ WUE | C: r=0{,}242226, p=3{,}712\times10^{-8}, Holm 2{,}302\times10^{-6}. Bu üç test Holm'dan sonra p<0{,}05 kalan tek testlerdir; öteki 61 test p_{\mathrm{düz}}=1 ya da >0{,}05'tir. 64 testin hepsinde r, GA, p ve Holm p iki bağımsız hesapla 10^{-6} içinde aynıdır (135.6.1).

Adım 6 — Eşdeğer DAG'lar. Kenar yönlerinin 2^{13}=8192 ataması içinden döngüsüz olan ve aynı yedi v-yapısını koruyan 6 DAG bulunur (şablon: 6). Dört en küçük kümenin her biri 6 DAG'ın 5'inde geçerlidir ve hepsinin geçerli olduğu DAG sayısı 5'tir (şablon: "5 / 6").

135.6.1 Doğrulama: MerQuR+, Python ve R

Büyüklük MerQuR+ Python (bağımsız) R (bağımsız) En büyük fark
En küçük yeterli ayarlama kümesi sayısı 4 4 — 0 ✓
Örtüşen en küçük küme sayısı (4 kümenin ortak üyeliği) 4 4 — 0 ✓
Bütün geçerli ayarlama kümesi sayısı 108 108 — 0 ✓
Bütün geçerli kümelerden örtüşen sayısı 108 108 — 0 ✓
Bütün kümeler içinde 'en küçük' işaretli sayısı 4 4 — 0 ✓
Doğrudan etki: en küçük küme sayısı 1 1 — 0 ✓
Doğrudan etki: küme { IGP, NMF } mi (1 = evet) 1 1 — 0 ✓
Kanonik küme geçerli mi (1 = evet; Python tüm geçerli kümeler içinde arıyor) 1 1 — 0 ✓
Koşullu araç değişken sayısı 3 3 — 0 ✓
Listelenen araçlardan koşulları sağlayan sayısı 3 3 — 0 ✓
WUE ile I arasındaki yol sayısı 10 10 10 0 ✓
Yol, ayarlamasız durum, küme ile durum ve nedensellik: örtüşen satır 10 10 — 0 ✓
Nedensel yol sayısı 1 1 1 0 ✓
Ayarlamasız açık yol sayısı 4 4 — 0 ✓
İlk küme ile açık yol sayısı 1 1 — 0 ✓
Düğüm sayısı 10 10 — 0 ✓
Yönlü kenar sayısı 13 13 — 0 ✓
Gerektirilen koşullu bağımsızlık sayısı 64 64 64 0 ✓
Eşdeğer DAG sayısı 6 6 — 0 ✓
Bütün kümelerin geçerli olduğu eşdeğer DAG sayısı 5 5 — 0 ✓
R: gerektirilen bağımsızlıkların d-ayrık çıkan sayısı (bnlearn) 64 64 64 0 ✓
d-ayrılık sorgusu WUE _ _ I NMF, TM (1 = d-ayrık) 0 0
d-ayrılık sorgusu C _ _ CS (1 = d-ayrık) 1 1 1
d-ayrılık sorgusu WUE _ _ I (1 = d-ayrık) 0 0 0
d-ayrılık sorgusu TM _ _ PGP C (1 = d-ayrık) 1 1
Kısmi korelasyon: TM WUE PGP 0,25206374 0,25206374 0,25206374 1,0e−15
p (Fisher z): TM WUE PGP 9,616013·10−9 9,616013·10−9 9,616013·10−9 7,6e−23
p (Holm): TM WUE PGP 6,154248·10−7 6,154248·10−7 6,154248·10−7 4,4e−21
Kısmi korelasyon: TM WUE FL 0,24858801 0,24858801 0,24858801 1,0e−15
p (Fisher z): TM WUE FL 1,560433·10−8 1,560433·10−8 1,560433·10−8 9,0e−22
p (Holm): TM WUE FL 9,830727·10−7 9,830727·10−7 9,830727·10−7 6,2e−20
Kısmi korelasyon: TM WUE C 0,24222649 0,24222649 0,24222649 2,2e−16
p (Fisher z): TM WUE C 3,712160·10−8 3,712160·10−8 3,712160·10−8 5,0e−22
p (Holm): TM WUE C 2,301539·10−6 2,301539·10−6 2,301539·10−6 3,2e−20
Kısmi korelasyon: I PGP IGP, NMF 0,09557389 0,09557389 0,09557389 4,0e−16
p (Fisher z): I PGP IGP, NMF 0,03293334 0,03293334 0,03293334 8,0e−16
p (Holm): I PGP IGP, NMF 1 1 1 0
Kısmi korelasyon: I PGP FL, WUE 0,07913926 0,07913926 0,07913926 1,1e−16
p (Fisher z): I PGP FL, WUE 0,07766009 0,07766009 0,07766009 6,1e−16
p (Holm): I PGP FL, WUE 1 1 1 0
Kısmi korelasyon: I PGP NMF, TM, WUE 0,07856854 0,07856854 0,07856854 3,1e−16
p (Fisher z): I PGP NMF, TM, WUE 0,08013906 0,08013906 0,08013906 8,0e−16
p (Holm): I PGP NMF, TM, WUE 1 1 1 0
64 testin \sum|r| 2,8771594 2,8771594 2,8771594 9,3e−16 ✓
64 testin \sum GA alt sınırı −4,33439018 −4,33439018 −4,33439018 1,0e−15 ✓
64 testin \sum GA üst sınırı 6,85677619 6,85677619 6,85677619 9,1e−16 ✓
64 testin \sum p 30,4212885 30,4212885 30,4212885 1,6e−15 ✓
64 testin \sum p (Holm) 61,0000039 61,0000039 61,0000039 0 ✓
Holm düzeltmesinden sonra p<0{,}05 olan test sayısı 3 3 3 0 ✓

Ölçütü karşılayan: 49/49. Ölçüt 10^{-6} (değer 1'den büyükse göreli). Python sütunu dagitty kullanılmadan hesaplanmıştır: d-ayrılık ata kümesinin ahlaksal çizgesiyle, arka kapı ölçütü ve en küçük ayırıcılar (bitişik olmayan her çift için bütün en küçük ayırıcı kümeler) kaba kuvvetle, eşdeğer DAG'lar kenar yönlerinin 2^{13} olası atamasından (aynı iskelet ve aynı v-yapıları), kısmi korelasyon ve Fisher z açık formülle, Holm düzeltmesi elle yazılmıştır. R sütunu bnlearn::dsep, igraph yol sayımı ve taban R'dir (artık korelasyonu, pnorm, p.adjust). 64 testin her birinde şablon ile iki bağımsız hesap arasındaki en büyük (göreli) fark: r 1,5e−15, GA alt 1,4e−15, GA üst 1,1e−15, p 2,2e−14, p (Holm) 6,2e−20. Bootstrap'lı loess testi ve ki-kare testi bağımsız yeniden hesaplanmamıştır (rastgele bootstrap, çok değişkenli kategorik test).

135.7 Çıktıyı okuma

Örnek ayarda şablonun beş tablosu ve konsol notu (nc_ornek; testler tablosundan en küçük p'li satırlar ve özet; sayılar olduğu gibi):

En küçük yeterli ayarlama kümeleri (WUE → I; toplam etki)
 kume  degiskenler  boyut
    1  { NMF, TM }      2
    2   { C, NMF }      2
    3       { FL }      1
    4       { PGP }      1

Koşullu araç değişkenler (WUE → I)
 arac    kosul
    C  NMF, TM
   FL  NMF, TM
  PGP  NMF, TM

WUE ile I arasındaki yollar (ilk küme: { NMF, TM })
 yol                                                       ayarlamasiz ilk_kume_ile nedensel
 WUE -> IGP -> I                                                 açık         açık     evet
 WUE <- PGP <- FL -> NMF -> I                                    açık       kapalı    hayır
 WUE <- PGP <- FL -> NMF -> IGP -> I                             açık       kapalı    hayır
 WUE <- PGP <- FL <- C -> TM -> IGP -> I                         açık       kapalı    hayır
 … (6 kapalı yol daha)

Nedensel çizge özeti
 Düğüm sayısı 10; Yönlü kenar 13; Çift yönlü kenar 0; Maruziyet WUE; Sonuç I; Gizil değişkenler -
 Ayarlama kümesi sayısı 4; Gerektirilen koşullu bağımsızlık 64
 Eşdeğer DAG sayısı (en çok 1000) 6; Eşdeğerlik sınıfında geçerli ayarlama kümeleri yok
 Bütün kümelerin geçerli olduğu eşdeğer DAG sayısı 5 / 6

Gerektirilen koşullu bağımsızlıkların testi (kısmi korelasyon; n = 500; düzeltme: Holm)
 bagimsizlik          kosul_sayisi  kismi_r  GA_alt  GA_ust        p  p_duzeltilmis
 TM _||_ WUE | PGP               1   0.2521  0.1680  0.3325  9.62e-09     6.15e-07
 TM _||_ WUE | FL                1   0.2486  0.1644  0.3292  1.56e-08     9.83e-07
 TM _||_ WUE | C                 1   0.2422  0.1578  0.3231  3.71e-08     2.30e-06
 I _||_ PGP | IGP, NMF           2   0.0956  0.0078  0.1819  0.0329       1
 … (60 test daha; hepsinin düzeltilmiş p değeri 1 ya da 0,05'in üstünde)

Veriyle çelişen 3 bağımsızlık (düzeltilmiş p < 0,05): TM _||_ WUE | PGP; TM _||_ WUE | FL; TM _||_ WUE | C. Çizgede eksik bir kenar, yanlış yönlendirilmiş bir ok ya da ölçülmemiş bir ortak neden olabilir; ayarlama kümeleri bu nedenle yeniden gözden geçirilmelidir.

Şekil 135.1. Şablonun şekli: nedensel çizge (turuncu: maruziyet `WUE`; mavi: sonuç `I`; yeşil: ilk ayarlama kümesi `{NMF, TM}`). Düğüm yerleşimi `dagitty`'nin otomatik yerleşimidir (koordinat yoksa tohuma bağlıdır).

Şekil 135.2. Şablonun ikinci şekli: gerektirilen bağımsızlıkların testi (kısmi korelasyon ve %95 GA; turuncu: Holm düzeltmesinden sonra veriyle çelişen). Üç çelişki aynı değişken çiftine (`TM`, `WUE`) aittir.

Öğe Ne yazar Nasıl yorumlanır
Ayarlama kümeleri Her satır modele girmesi yeterli bir küme. Biri seçilir: \{\mathrm{FL}\} ve \{\mathrm{PGP}\} tek değişkenli ve en ucuzudur. Kümeler arasında seçim istatistiksel verimliliğe ve ölçülebilirliğe göredir; hepsi aynı ATE'yi (çizge doğruysa) kestirir.
Koşullu araç Araç ve koşul değişkenleri. C, FL, PGP: \{\mathrm{NMF},\mathrm{TM}\} verilince maruziyeti etkileyen ve sonuca yalnız maruziyet üzerinden ulaşan adaylar; dışlama kısıtı çizge dışından savunulmalıdır.
Yollar Maruziyetten sonuca her yol ve açık/kapalı durumu. Ayarlamasız 4 açık yol; ilk küme ile yalnız nedensel yol açık: ayarlama geri kapıyı kapatmıştır.
Özet Düğüm, kenar, gizil, küme, bağımsızlık sayısı; eşdeğer DAG. 64 testle çizge yoğun biçimde sınanabilir. Eşdeğer DAG 6: yönlerin bir kısmı veriden ayırt edilemez.
Testler Her bağımsızlık için r, GA, p, Holm p. Düzeltilmiş p<0{,}05 olanlar çelişkidir: üçü, hepsi TM ile WUE arasında; çizgede TM ile WUE arasında bir bağlantı (kenar ya da ortak neden) eksik olabilir.

Isınma egzersizinin sakatlanma üzerindeki toplam etkisini yansız kestirmek için, varsayılan DAG'a göre modele \{\mathrm{FL}\} ya da \{\mathrm{PGP}\} ya da \{\mathrm{NMF},\mathrm{TM}\} gibi geçerli bir küme konmalı, IGP ise konmamalıdır. Çizgenin gerektirdiği 64 koşullu bağımsızlıktan 61'i veriyle çelişmemiştir; TM ile WUE arasında üç bağımsızlık (kısmi r=0{,}25; Holm sonrası p\le2{,}3\times10^{-6}) reddedilmiştir, bu nedenle çizgede TM ile WUE arasında eksik bir kenar ya da ölçülmemiş bir ortak neden aranmalıdır. Çizgenin yönleri, 6 eşdeğer DAG'ı ayırt edemeyen verilerle doğrulanamaz.

135.8 Sık hatalar ve tuzaklar

  • Çizgeyi veriyle doğrulanmış sanmak. Sınama yalnız gerektirilen bağımsızlıkların ihlal edilip edilmediğine bakar; eşdeğer DAG'lar (örnekte 6) aynı bağımsızlıkları gerektirir. "Hiçbir bağımsızlık çelişmedi" çizgenin doğru olduğunu kanıtlamaz.
  • Ad eşleşmesi ve sınanamayan bağımsızlıklar. Çizge adları verideki sütun adlarıyla harf harfine eşleşmelidir. Çizgede wue, veride WUE yazılırsa o değişkeni içeren 13 bağımsızlık sınanamaz; şablon bunu "sınananlardan hiçbiri çelişmedi, ancak 13 bağımsızlık sınanamadı ve çizgenin veriyle tutarlı olduğu söylenemez" diye yazar (çelişkili üç bağımsızlığın üçü de WUE içerir; ncz_kucuk_harf). Konsoldaki "sınanmadı" satırını da okuyun.
  • Türkçe harfli ve boşluklu adlar. Ağırlık gibi adlar sözdizimi hatası verir; ileti adları çift tırnak içine almayı söyler ("Ağırlık"); tablolarda ad tırnaklı görünür.
  • IGP gibi aracı/çarpışma düğümlerini ayarlamak. Toplam etkide geçersizdir; ayarlama kümesi yasak düğüm içeremez. Doğrudan etki bu tuzağın tersidir: aracıyı ayarlamak gerekir (örnekte maruziyet ile sonuç bitişik olmadığından küme dolaylı yolları kapatır; bu etki sıfırdır).
  • Doğrudan etkide eşdeğer DAG satırı. etki = direct ve denklik açıkken "Bütün kümelerin geçerli olduğu eşdeğer DAG sayısı" doğrudan etki ölçütüyle hesaplanır: \{\mathrm{IGP},\mathrm{NMF}\} 6 DAG'ın 6'sında geçerlidir (ncz_denklik_dogrudan); toplam etkide aynı satır 5/6'dır.
  • Çoklu test ailesi. 64 test birbirine bağımlıdır (aynı değişken çifti için üç ayırıcı). en_cok_kosul süzmesi Holm'un m'sini değiştirir: TM _||_ WUE | PGP için Holm p 6{,}15\times10^{-7} (64 test) ve 3{,}37\times10^{-7} (35 test). Loess testinde p yoktur; çelişki kuralı varsayılanda düzeltmesiz %95 GA'dır (35 testte 7 çelişki, kısmi korelasyonda 3) ve şablon bunu notla bildirir; Bonferroni uyarlı aralık seçeneği vardır.
  • Kategorik değişkenler. Sayısal kodlu düzeyleri veri sekmesinde "kategorik" yapmak kısmi korelasyonda hata verir ("sayısal olmayanlar: C"); doğrusal test seçili iken 0/1/2 kodlu sütunları sayısal bırakmak sıra bilgisini doğrusal sayar. Ki-kare testi 20'den çok farklı değerli değişkeni reddeder.
  • Ondalık virgüllü sütun. "0,25" metin olarak yüklenmiş bir sütun "sayısal olmayanlar" hatası verir (ncz_virgul).
  • Sabit sütun, sonsuz değer, küçük örneklem. Sabit sütun, sonsuz değer ve n<\max(10,k_{\max}+5) durumu hata verir. 14 gözlemle çalışır ama sonuçlar sığ: kısmi korelasyonun \sqrt{n-|Z|-3} ölçeğinde p güvenilmezdir (ncz_n14).
  • Tam doğrusal bağımlılık. Sonuç maruziyetin katıysa kısmi korelasyon tekil matristen hesaplanır; işaret ve değer anlamsızdır (-1); şablon |r|=1 olan satırlar için tam doğrusal bağımlılık uyarısı yazar (ncz_tam_bagimli).
  • Tohum. Form tohumu (varsayılan 2016) yalnız loess bootstrap'ını ve koordinatsız yerleşimi belirler; kod panelindeki Tohum alanı bu şablonda etkisizdir. Loess GA'ları tohumla değişir (en büyük fark 0{,}058).
  • Gizil değişken ve ölçülmemiş ortak neden. [latent] ve <-> ayarlama kümelerine girmez; bunlar kapatılamayan geri kapı yolu bırakırsa küme yoktur (ncz_ayarsiz: X ← U → Y). Araç değişken bu durumda çıkış yolu olabilir (ncz_iv).

135.9 Uzman soruları

S1. Geri kapı ölçütü ile ayarlama ölçütü ve `dagitty`'nin kümeleri arasındaki fark nedir?

Geri kapı ölçütü (Pearl, 1995) maruziyetin torunu olmayan ve geri kapı yollarını kapatan kümeleri verir; genel ayarlama ölçütü uygun nedensel yolların üzerindeki düğümlerin torunlarını da yasaklayıp daha geniş bir geçerli küme sınıfını tanımlar ve dagitty bunu uygular (Textor ve ark., 2016). Kümeler ve sayıları (108 geçerli küme, 4 en küçük) bağımsız Python'da aynı ölçütle yeniden üretilmiştir.

S2. 64 testin Holm düzeltmesi neden kısmi olarak savunulabilir?

Testler bağımsız değildir: aynı değişken çifti için birden çok ayırıcı (TM–WUE için üç), ortak değişkenler paylaşır. Holm herhangi bir bağımlılık yapısı altında aile bazlı hata oranını korur ama muhafazakârdır; BH (FDR) daha güçlüdür ve bağımsızlık ya da pozitif bağımlılık varsayar. Örnekte Holm ve BH aynı üç çelişkiyi bulur; ama ailenin büyüklüğü en_cok_kosul ile değiştiğinde Holm p'leri değişir.

S3. Üç çelişkili bağımsızlık ne anlama geliyor ve çizgeyi nasıl düzeltirim?

Üçü de TM _||_ WUE | {PGP | FL | C} biçimindedir; yani çizge, bu değişkenler arasında hiçbir koşullu bağlantı olmadığını söyler, veri ise kısmi r\approx0{,}25 gösterir. Olası çözümler: TM ile WUE (ya da TM ile PGP) arasına bir kenar eklemek ya da ikisi için ölçülmemiş bir ortak neden varsaymak. Çizge değişince ayarlama kümeleri de değişir; yeni çizgenin kümelerini yeniden hesaplayın. Veri çizge yönünü seçemez (6 eşdeğer DAG).

S4. Doğrusal kısmi korelasyon testi neyi kaçırır?

Doğrusal olmayan ve etkileşimli bağımlılığı. Bir bağımsızlığın doğrusal testle reddedilmemesi, ilişki yoktur demek değildir (düşük güç). cis.loess doğrusal olmayanı yakalamaya çalışır ama p vermez, rastgeledir ve düzeltmesizdir; cis.chisq kategorik veriye uygundur. Örnekte kategorik 3 düzeyli veriyle ki-kare testi hiçbir çelişki bulmaz, aynı veriyi sayısal sayan doğrusal test üç çelişki bulur (ncz_kategorik_chisq, ncz_kategorik_cis).

S5. Sınır durumu: çizge ayarlama kümesi bulunmayan bir yapıdaysa ne yapmalı?

Şablon "geçerli bir ayarlama kümesi YOKTUR" yazar (örnek: X ← U → Y, U gizil). Çıkış yolları: koşullu araç değişken (Z → X, Z ile U ilişkisiz; ncz_iv'te Z bulunur), ön kapı ölçütü (şablonda yok), ya da duyarlılık çözümlemesi (Bölüm 131). Hiçbir şey ayarlamak yanlılığı giderir demek değildir.

S6. `dagitty` paketi ve başka bir paketle fark?

Bağımsız Python hesabı (ahlaksallaştırma ve kaba kuvvet) ve bnlearn::dsep aynı d-ayrılık sonuçlarını verir (64/64). Tanımlama farkı: kısmi korelasyon GA'sında dagitty 0.3-4 atan kullanır, şablon tanh (doğru ters dönüşüm) kullanır; fark |r|<0{,}3 için dördüncü ondalıktadır. Büyük |r| için dagitty'nin kendi GA'sı farklı olurdu; şablonun tablosu doğrusu ile aynıdır.

S7. Eşdeğer DAG sayısı 1000'e çarparsa ne olur?

equivalentDAGs(g, n = 1000) en çok 1000 DAG döndürür; çizge çok büyükse ve eşdeğerlik sınıfı daha geniş ise "5 / 6" gibi oran gerçek sınıfın bir alt kümesine dayanır. Şablon kısıtlamanın ne zaman devreye girdiğini yazmaz; 1000 eşdeğer DAG gören kullanıcı sayıyı alt sınır sayar.

S8. Maruziyet ile sonuç bitişik değilse doğrudan etki ne anlama gelir?

Doğrudan kenar yoksa doğrudan etki yapı gereği sıfırdır; kestirilecek bir parametre yoktur. Şablon yine de dolaylı yolları kapatan bir küme (örnekte \{\mathrm{IGP},\mathrm{NMF}\}) yazar; bu küme "maruziyetin sonuca tüm etkisinin aracılardan geçtiği" bir kontroldür. Doğrudan etki sorusu ancak X\to Y kenarı çizgede bulunuyorsa anlamlıdır.

135.10 Kaynaklar

  • Ankan, A., Wortel, I. M. N., & Textor, J. (2021). Testing graphical causal models using the R package "dagitty". Current Protocols, 1(2), e45. https://doi.org/10.1002/cpz1.45
  • Benjamini, Y., & Hochberg, Y. (1995). Controlling the false discovery rate: A practical and powerful approach to multiple testing. Journal of the Royal Statistical Society: Series B, 57(1), 289–300. https://doi.org/10.1111/j.2517-6161.1995.tb02031.x
  • Cinelli, C., Forney, A., & Pearl, J. (2024). A crash course in good and bad controls. Sociological Methods & Research, 53(3), 1071–1104. https://doi.org/10.1177/00491241221099552
  • 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
  • Shrier, I., & Platt, R. W. (2008). Reducing bias through directed acyclic graphs. BMC Medical Research Methodology, 8, 70. https://doi.org/10.1186/1471-2288-8-70
  • Textor, J., van der Zander, B., Gilthorpe, M. S., Liśkiewicz, M., & Ellison, G. T. H. (2016). Robust causal inference using directed acyclic graphs: The R package "dagitty". International Journal of Epidemiology, 45(6), 1887–1894. https://doi.org/10.1093/ije/dyw341
  • Yazılım kaydı: R 4.5.3; dagitty 0.3-4 (Textor ve ark., 2016); doğrulamada bnlearn ve igraph.