Identyfikacja przyczynowa z użyciem skierowanych grafów acyklicznych (do-calculus)
Identyfikacja przyczynowa za pomocą DAG (Directed Acyclic Graph) to ramy teoretyczne, opracowane przez Judea Pearla (2009), które kodują założenia przyczynowe jako skierowany graf acykliczny i wykorzystują zasady do-calculus do określenia, czy i jak efekt przyczynowy można zidentyfikować na podstawie danych obserwacyjnych. Systematycznie radzi sobie z czynnikami zakłócającymi, zmiennymi instrumentalnymi i ścieżkami typu „backdoor”.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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
Jak cytować tę stronę
ScholarGate. (2026, June 1). Causal Identification with Directed Acyclic Graphs (do-calculus). ScholarGate. https://scholargate.app/pl/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.
- Metoda zmiennych instrumentalnych (IV) do wnioskowania przyczynowegoEkonomika zdrowia↔ compare
- Ważenie odwrotnością prawdopodobieństwa leczenia (IPW / IPTW)Wnioskowanie przyczynowe↔ compare
- Analiza mediacyjnaStatystyka↔ compare
- Dopasowanie wyników skłonnościStatystyka w badaniach↔ compare
- Analiza wrażliwości na ukryty błąd (progi Rosenbauma / E-wartość)Wnioskowanie przyczynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →