Causale Identificatie met Gerichte Acyclische Grafen (do-calculus)
Causale identificatie met DAG's is een raamwerk, ontwikkeld door Judea Pearl (2009), dat causale aannames encodeert als een gerichte acyclische graaf en de do-calculusregels gebruikt om te bepalen of en hoe een causaal effect kan worden geïdentificeerd uit observationele data. Het behandelt systematisch confounders, instrumentele variabelen en backdoor-paden.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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
Deze pagina citeren
ScholarGate. (2026, June 1). Causal Identification with Directed Acyclic Graphs (do-calculus). ScholarGate. https://scholargate.app/nl/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.
- Instrumentele Variabelen (IV) Methode voor Causale InferentieGezondheidseconomie↔ compare
- Inverse Probability of Treatment Weighting (IPW / IPTW)Causale inferentie↔ compare
- MediatiemanalyseStatistiek↔ compare
- Propensity Score MatchingOnderzoeksstatistiek↔ compare
- Gevoeligheidsanalyse voor verborgen bias (Rosenbaum-grenzen / E-waarde)Causale inferentie↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →