He leído en varios lugares que el uso de DAG puede ayudar a reducir el sesgo debido a
También veo mucho el término "camino de puerta trasera" .
¿Cómo usamos los DAG para reducir estos sesgos y cómo se relaciona con los caminos de puerta trasera? Puntos extra (otorgaré una recompensa) por ejemplos del mundo real de lo anterior
Esto es generalmente bastante elaborada tema, y puede requerir más de la lectura de su parte para una mejor comprensión, pero voy a tratar de contestar a un par de sus preguntas en el aislamiento y dejar referencias para lectura.
Considere el siguiente ejemplo:
El control de los factores de confusión de la variable "Género" nos da más información acerca de la relación entre las dos variables "Droga" y "Recuperación". Usted puede, por ejemplo, el control para el factor de confusión Z como covariable (por condicionamiento) en el análisis de regresión, y esto va a reducir el sesgo – como usted sabe más sobre el efecto de X sobre Y.
Como se ha mencionado aquí, acondicionado en un colisionador en realidad puede aumentar el sesgo. Considere el ejemplo de abajo
Si yo sé que usted tiene fiebre y no tiene gripe, pero yo de control de la colisión efecto entre la Gripe y la Varicela saber que usted tiene una fiebre en realidad me da más pruebas de que usted podría tener la Varicela (le recomiendo que lea más acerca de esto, el enlace de arriba debe ser útil).
Controlando por las variables intermedias también puede inducir un sesgo, ya que se descompone el efecto total de x en y en sus partes. En el ejemplo siguiente, si en la condición de las variables intermedias "Estilo de vida poco saludable", "Peso", y "Colesterol" en el análisis, sólo están midiendo el efecto de "Fumar" en "Paro Cardíaco", y no a través de la ruta intermedia, que podría inducir a sesgos. En general, depende de su pregunta de investigación cuando se desea controlar por una vía intermedia o no, pero usted debe saber que puede inducir sesgo, y no reducirlo.
Backdoor rutas suelen indicar las causas comunes de a y Y, la más simple de las cuales es la confusión de la situación a continuación. Es posible que desee ver en la puerta de atrás criterio [Pearl, 2000] para ver si la eliminación de la confusión de la variable es razonable para un caso en particular.
También quería mencionar que los algoritmos para el aprendizaje estadístico sobre Dag reducir los prejuicios a través de la regularización, ver (este) para una visión general. Cuando el aprendizaje en los DAG puede acabar con la altamente complejas relaciones entre las covariables que pueden resultar en un sesgo. Esto puede ser reducido por la regularización de la complejidad de la gráfica, como en [Murphy, 2012, 26.7.1].
Espero que esto le proporciona suficiente para masticar por ahora..
I-Ciencias es una comunidad de estudiantes y amantes de la ciencia en la que puedes resolver tus problemas y dudas.
Puedes consultar las preguntas de otros usuarios, hacer tus propias preguntas o resolver las de los demás.
