タグ付けされた質問 「dag」

私は興味のある結果が二分されglmnetているLASSO回帰の使用に手を出し始めています。以下に小さな模擬データフレームを作成しました。 age <- c(4, 8, 7, 12, 6, 9, 10, 14, 7) gender <- c(1, 0, 1, 1, 1, 0, 1, 0, 0) bmi_p <- c(0.86, 0.45, 0.99, 0.84, 0.85, 0.67, 0.91, 0.29, 0.88) m_edu <- c(0, 1, 1, 2, 2, 3, 2, 0, 1) p_edu <- c(0, 2, 2, …

77 r  self-study  lasso  regression  interpretation  anova  statistical-significance  survey  conditional-probability  independence  naive-bayes  graphical-model  r  time-series  forecasting  arima  r  forecasting  exponential-smoothing  bootstrap  outliers  r  regression  poisson-distribution  zero-inflation  genetic-algorithms  machine-learning  feature-selection  cart  categorical-data  interpretation  descriptive-statistics  variance  multivariate-analysis  covariance-matrix  r  data-visualization  generalized-linear-model  binomial  proportion  pca  matlab  svd  time-series  correlation  spss  arima  chi-squared  curve-fitting  text-mining  zipf  probability  categorical-data  distance  group-differences  bhattacharyya  regression  variance  mean  data-visualization  variance  clustering  r  standard-error  association-measure  somers-d  normal-distribution  integral  numerical-integration  bayesian  clustering  python  pymc  nonparametric-bayes  machine-learning  svm  kernel-trick  hyperparameter  poisson-distribution  mean  continuous-data  univariate  missing-data  dag  python  likelihood  dirichlet-distribution  r  anova  hypothesis-testing  statistical-significance  p-value  rating  data-imputation  censoring  threshold 

2つの確率変数AとBは統計的に独立しています。これは、プロセスのDAGで：およびもちろん意味します。しかし、それはまた、BからAへの玄関口がないことを意味しますか？(A⊥⊥B)(A⊥⊥B)(A {\perp\!\!\!\perp} B)P(A|B)=P(A)P(A|B)=P(A)P(A|B)=P(A) そのため、を取得する必要があるためです。その場合、統計的独立性は自動的に因果関係の欠如を意味しますか？P(A|do(B))=P(A)P(A|do(B))=P(A)P(A|do(B))=P(A)

40 independence  causality  bayesian-network  dag 

有向非循環グラフ（DAG;たとえば、Greenland、et al、1999）は、因果関係キャンプの反事実的解釈からの因果推論の形式化の一部です。これらのグラフでは、変数からの矢印の存在ああA 変数に BBB その変数を主張する ああA 直接的に（リスクの変化が）変動する BBB、そしてそのような矢印がないことはその変数を主張します ああA 直接的に（リスクの一部の変化）変動を引き起こさない BBB。 例として、「タバコの煙に直接曝露すると中皮腫のリスクが変化する」という記述は、下のDAG因果図ではなく、「タバコの煙に曝露」から「中皮腫」への黒い矢印で表されます。 同様に、「アスベストへの曝露により中皮腫のリスクが直接変化する」という記述は、以下のDAG因果関係グラフではなく、「アスベストへの曝露」から「中皮腫」への黒い矢印で表されます。 赤い矢印のため、DAGではないという用語を以下の因果関係グラフの説明に使用しています。「アスベストへの曝露は、タバコの煙への曝露が中皮腫のリスクに及ぼす直接的な因果関係の変化を引き起こします」（アスベストは物理的中皮腫のリスクの変化を直接引き起こすことに加えて、肺の細胞への損傷はまた、細胞をタバコの煙への曝露の発がん性の害にさらしやすくし、アスベストとタバコの両方への曝露は、 2つのリスクの合計よりも大きいリスク）、これは、質問の冒頭で説明したDAGの因果的な矢印の正式な意味とは完全に一致しません（つまり、赤い矢印が変数で終了しないため））。 DAGの視覚的形式の中で相互作用の効果を正しく表現するにはどうすればよいですか？ 参考文献 Greenland、S.、Pearl、J.、and Robins、JM（1999）。疫学研究の因果図。疫学、10（1）：37–48。

17 interaction  causality  dag 

有向非巡回グラフ（DAG）は、統計モデルにおける定性的な因果関係の仮定の効率的な視覚的表現ですが、通常の機器変数方程式（または他の方程式）を表すために使用できますか？もしそうなら、どうですか？そうでない場合、なぜですか？

15 causality  instrumental-variables  dag 

私は、自習用の本である確率的グラフィカルモデルを研究しています。有向非巡回グラフ（DAG）のエッジは因果関係を表しますか？ ベイジアンネットワークを構築したいのですが、その中の矢印の方向がわかりませんか？すべてのデータは、それらの相互リンクではなく、観測された相関関係を教えてくれます。次の章がこれらの問題に対処することを確信しているので、私は私があまりにも多くを求めていることを知っていますが、それについて考えることをやめられないというだけです。

13 causality  graphical-model  bayesian-network  dag 

以下の因果関係グラフでに対するの因果関係の影響を計算する場合は、バックドア調整とフロントドア調整の定理の両方を使用できます。つまり、 Y P （y | do（X = x ））= ∑ u P （y | x 、u ）P （u ）バツXXYYYP（y| する（X= x ））= ∑あなたP（y| x、u）P（u ）P(y|do(X=x))=∑uP(y|x,u)P(u)P(y | \textit{do}(X = x)) = \sum_u P(y | x, u) P(u) そして P（y| する（X= x ））= ∑zP（z| x） ∑バツ』P（y| バツ』、z）P（x』）。P(y|do(X=x))=∑zP(z|x)∑x′P(y|x′,z)P(x′).P(y | \textit{do}(X = x)) = …

12 self-study  causality  graph-theory  dag 

ここでは、バックドア調整とフロントドア調整について言及しています。 バックドア調整：統計における典型的な疫学的問題は、測定された交絡因子の影響を調整することです。パールの裏口基準はこの考えを一般化したものです。 正面ドアの調整：一部の変数が観察されない場合、原因の影響を特定するために他の方法に頼る必要があるかもしれません。 このページには、上記の2つの用語の正確な数学的定義も含まれています。 上記の数学的定義に基づいて、素人にバックドア調整とフロントドア調整の違いをどのように理解させるのですか？

12 causality  dag 

変数の変更（）が結果（）に及ぼす因果関係に興味がある場合、有向非循環グラフ（DAG）でそれをどのように表すことができますか？EEEOOO と仮定します。ここで、とは時間1と2で発生し、正しいDAGは次のようになります。 ΔE2=E2−E1ΔE2=E2−E1\Delta E_2 = E_2 - E_1E1E1E_1E2E2E_2 1.と仮定すると単にのすべてのレベルで捕捉されと（ア・ラ・相互作用効果がそのように撮影しているのと同じ方法）？ ΔE2ΔE2\Delta E_2E1E1E_1E2E2E_2 2.と仮定すると、から因果的に明確な変数であるとが、これらの変数の存在を必要としますか？ ΔE2ΔE2\Delta E_2E1E1E_1E2E2E_2 3.はとから独立していて、後者は影響を表すために必要ではないと仮定しますか？ ΔE2ΔE2\Delta E_2E1E1E_1E2E2E_2ΔE2ΔE2\Delta E_2 他に何か？ 注：「DAG」は、「古い種類の因果関係グラフまたは相関グラフ」を意味するのではなく、因果関係を表す厳格に禁止された形式です。 私の動機は、一般化されたエラー修正モデルのような動的モデルのDAG表現について考えようとしていることです。 ΔOt=β0+βc(Ot−1−Et−1)+βΔEΔEt+βEEt−1+εtΔOt=β0+βc(Ot−1−Et−1)+βΔEΔEt+βEEt−1+εt\Delta O_t = \beta_{0} + \beta_{\text{c}}\left(O_{t-1} - E_{t-1}\right) + \beta_{\Delta E}\Delta E_{t} + \beta_E E_{t-1} + \varepsilon_t もちろん、生のパラメーター推定値は、以下のようにモデルを解釈するように変換されます。したがって、おそらく上記のモデルをDAGするのはさらに面倒です。 変化の短期即効性上の：EEEΔOΔO\Delta OβΔEβΔE\beta_{\Delta E} 短期のレベルの遅れ効果上の：EEEΔOΔO\Delta OβE−βc−βΔEβE−βc−βΔE\beta_{E} - \beta_{\text{c}} - \beta_{\Delta E} 遅延がに及ぼす長期的な平衡効果：EEEΔOΔO\Delta …

8 time-series  dag