Identificazione Causale con Grafi Aciclici Diretti (do-calculus)
L'identificazione causale tramite DAG è un framework, sviluppato da Judea Pearl (2009), che codifica le assunzioni causali come un grafo aciclico diretto e utilizza le regole del do-calculus per determinare se e come un effetto causale può essere identificato da dati osservazionali. Gestisce sistematicamente confondenti, variabili strumentali e percorsi backdoor.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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
Come citare questa pagina
ScholarGate. (2026, June 1). Causal Identification with Directed Acyclic Graphs (do-calculus). ScholarGate. https://scholargate.app/it/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.
- Metodo delle Variabili Strumentali (IV) per l'Inferenza CausaleEconomia sanitaria↔ compare
- Inverse Probability of Treatment Weighting (IPW / IPTW)Inferenza causale↔ compare
- Analisi di mediazioneStatistica↔ compare
- Abbinamento del punteggio di propensioneStatistica per la ricerca↔ compare
- Analisi di sensibilità per bias nascosto (Limiti di Rosenbaum / E-value)Inferenza causale↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →