Identificação Causal com Grafos Acíclicos Direcionados (cálculo-do)
A identificação causal por DAGs é um arcabouço, desenvolvido por Judea Pearl (2009), que codifica suposições causais como um grafo acíclico direcionado e utiliza as regras do cálculo-do para determinar se e como um efeito causal pode ser identificado a partir de dados observacionais. Ele lida sistematicamente com confundidores, variáveis instrumentais e caminhos de backdoor.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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
Como citar esta página
ScholarGate. (2026, June 1). Causal Identification with Directed Acyclic Graphs (do-calculus). ScholarGate. https://scholargate.app/pt/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.
- Método de Variáveis Instrumentais (VI) para Inferência CausalEconomia da saúde↔ compare
- Ponderação pela Probabilidade Inversa de Tratamento (IPW / IPTW)Inferência causal↔ compare
- Análise de MediaçãoEstatística↔ compare
- Propensity Score MatchingEstatística para pesquisa↔ compare
- Análise de Sensibilidade para Viés Oculto (Limites de Rosenbaum / E-value)Inferência causal↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →