Kausale Identifikation mit gerichteten azyklischen Graphen (do-calculus)
Die kausale Identifikation mittels DAGs ist ein von Judea Pearl (2009) entwickeltes Framework, das kausale Annahmen als gerichteten azyklischen Graphen kodiert und die Regeln des do-calculus verwendet, um zu bestimmen, ob und wie ein kausaler Effekt aus Beobachtungsdaten identifiziert werden kann. Es behandelt systematisch Confounder, instrumentelle Variablen und Backdoor-Pfade.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- Pearl, J. (2009). Causality: Models, Reasoning, and Inference (2nd ed.). Cambridge University Press. ISBN: 978-0521895606
- Pearl, J., Glymour, M., & Jewell, N. P. (2016). Causal Inference in Statistics: A Primer. Wiley. ISBN: 978-1119186847
So zitieren Sie diese Seite
ScholarGate. (2026, June 1). Causal Identification with Directed Acyclic Graphs (do-calculus). ScholarGate. https://scholargate.app/de/causal-inference/dag-identification
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Instrumentalvariablen-Methode (IV) zur KausalinferenzGesundheitsökonomie↔ compare
- Inverse Probability of Treatment Weighting (IPW / IPTW)Kausale Inferenz↔ compare
- MediationsanalyseStatistik↔ compare
- Propensity Score MatchingForschungsstatistik↔ compare
- Sensitivitätsanalyse auf verborgene Verzerrungen (Rosenbaum-Schranken / E-Wert)Kausale Inferenz↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →