Gerichteter azyklischer Graph

Ein gerichteter azyklischer Graph (DAG) ist ein Diagramm aus Knoten und gerichteten Pfeilen, das verwendet wird, um die Annahmen eines Forschers über die kausalen Beziehungen zwischen Variablen zu kodieren. In der Epidemiologie machen DAGs diese Annahmen explizit und bieten formale Regeln, um zu entscheiden, welche Variablen angepasst werden müssen, um einen kausalen Effekt ohne Verzerrung zu schätzen.

Definition

Ein gerichteter azyklischer Graph ist ein Graph, in dem Knoten Variablen und gerichtete Kanten angenommene direkte kausale Effekte darstellen, ohne einen Pfad, der zu seinem Startknoten zurückkehrt, und der verwendet wird, um abzuleiten, welche Anpassungen einen kausalen Effekt identifizieren.

Scope

Dieses Thema behandelt die Struktur und das Lesen kausaler DAGs, die Konzepte von Confoundern, Mediatoren und Collidern sowie die grafischen Regeln, insbesondere d-Separation und das Back-Door-Kriterium, die einen gezeichneten Graphen mit einem gültigen Adjustierungsset verknüpfen. Es handelt sich um eine methodische Referenz, nicht um eine klinische Leitlinie.

Core questions

• Wie können Annahmen über kausale Strukturen explizit dargestellt werden?
• Welche Variablen müssen angepasst werden und welche nicht, um einen kausalen Effekt zu schätzen?
• Wie unterscheiden sich Confounder, Mediatoren und Collider in einem kausalen Graphen?

Key concepts

• Knoten und gerichtete Kanten
• Confounder, Mediator und Collider
• Back-Door-Pfad und Back-Door-Kriterium
• d-Separation
• Collider-Bias
• Minimal ausreichendes Adjustierungsset

Mechanisms

In einem DAG kodiert ein Pfeil von einer Variablen zu einer anderen einen angenommenen direkten kausalen Effekt, und das Fehlen eines Pfeils kodiert das angenommene Fehlen eines direkten Effekts. Pearls Back-Door-Kriterium (pearl-1995) identifiziert eine Menge von Variablen, die, wenn sie konditioniert werden, alle nicht-kausalen (Back-Door-)Pfade zwischen Exposition und Ergebnis blockieren, während der kausale Pfad offen bleibt, was ein unverzerrtes Adjustierungsset ergibt. Greenland, Pearl und Robins (greenland-pearl-robins-1999) übersetzten diese grafische Theorie für Epidemiologen und zeigten, wie Confounder kontrolliert werden sollten, Mediatoren im Allgemeinen nicht, wenn Gesamteffekte geschätzt werden, und Collider nicht konditioniert werden dürfen, da dies einen scheinbaren Pfad öffnet (Collider-Bias). Die Anpassung an die falschen Variablen kann daher eher eine Verzerrung erzeugen, als sie zu beseitigen (schisterman-2009), und Software wie dagitty operationalisiert diese Regeln (textor-2016).

Clinical relevance

DAGs leiten die Planung der Confounding-Kontrolle in Studien, die klinische und öffentliche Gesundheitsnachweise liefern, und helfen Lesern zu verstehen, warum eine bestimmte Anpassung vorgenommen oder nicht vorgenommen wurde. Sie beschreiben analytische Überlegungen und sind keine Grundlage für individuelle Diagnose- oder Behandlungsentscheidungen.

Epidemiology

Kausale DAGs sind heute ein Standardbestandteil der Gestaltung und Berichterstattung von Beobachtungsstudien in der Epidemiologie und werden verwendet, um die Kovariaten-Auswahl zu rechtfertigen und Selektions- und Collider-Bias zu antizipieren. Tools wie dagitty haben die formale DAG-Analyse in der angewandten Arbeit routinemäßig gemacht (textor-2016).

History

Pearl führte kausale Diagramme und das Back-Door-Kriterium ein, um kausale Schlussfolgerungen aus nicht-experimentellen Daten zu formalisieren (pearl-1995), und Greenland, Pearl und Robins brachten den Rahmen 1999 in die Epidemiologie ein (greenland-pearl-robins-1999). Nachfolgende angewandte Arbeiten klärten Fallstricke wie Überanpassung und Collider-Bias auf (schisterman-2009) und produzierten weit verbreitete Software zur Analyse von DAGs (textor-2016).

Debates

Kann die Anpassung an mehr Kovariaten Schaden anrichten?

Die DAG-Theorie zeigt, dass die Konditionierung auf Mediatoren oder Collider eine Verzerrung einführen kann, sodass das Hinzufügen von Kovariaten nicht automatisch sicherer ist; die Auswahl eines Adjustierungssets erfordert explizite kausale Annahmen anstelle statistischer Bequemlichkeit.

Key figures

• Judea Pearl
• Sander Greenland
• James Robins
• Enrique Schisterman

Seminal works

• pearl-1995
• greenland-pearl-robins-1999

Frequently asked questions

Was bedeutet 'azyklisch' in einem gerichteten azyklischen Graphen?

Es bedeutet, dass keine Variable, indem sie der Richtung der Pfeile folgt, sich letztendlich selbst verursachen kann; Effekte fließen in eine Richtung ohne Rückkopplungsschleifen.

Warum kann die Anpassung an einen Collider eine Verzerrung erzeugen?

Ein Collider ist eine Variable, die von zwei anderen verursacht wird; die Konditionierung darauf öffnet eine scheinbare Assoziation zwischen ihren Ursachen, sodass die Anpassung daran eher eine Verzerrung einführen kann, als die Verwechslung zu beseitigen.