Questions tagged «dag»

我开始与使用的涉猎glmnet与LASSO回归那里我感兴趣的结果是二分。我在下面创建了一个小的模拟数据框： 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 

两个随机变量A和B在统计上是独立的。这意味着在流程的DAG中：当然是。但这是否也意味着从B到A没有前门？(A⊥⊥B)(A⊥⊥B)(A {\perp\!\!\!\perp} B)P(A|B)=P(A)P(A|B)=P(A)P(A|B)=P(A) 因为这样我们应该得到。因此，如果是这样，统计独立性是否自动意味着缺乏因果关系？P(A|do(B))=P(A)P(A|do(B))=P(A)P(A|do(B))=P(A)

40 independence  causality  bayesian-network  dag 

有向无环图（DAG；例如Greenland等，1999）是因果关系反事实解释的因果形式化形式的一部分。在这些图中从变量的箭头的存在可变断言可变直接引起（在危险情况时），可变，和如果没有这样一个箭头的断言，可变不直接原因（在风险的某些变化的）可变。一种一种A乙乙B一种一种A乙乙B一种一种A乙乙B 例如，在下面的DAG因果图中，从“烟草烟雾暴露”到“间皮瘤”的黑色箭头表示“吸烟直接导致间皮瘤风险”的说法。 同样，在下面的DAG因果图中，从“石棉暴露”到“间皮瘤”的黑色箭头表示“石棉暴露直接导致间皮瘤风险的改变” 。 由于红色箭头，我使用术语DAG来描述以下因果关系图，我打算断言诸如“石棉暴露引起烟草烟雾暴露对间皮瘤风险的直接因果效应发生变化 ”（石棉确实对肺细胞的损害，除了直接引起间皮瘤风险的改变外，还使这些细胞更容易受到烟草烟雾暴露的致癌性损害，结果是，接触石棉和烟草都会导致吸烟增加。风险大于两个单独风险的总和），并且这与我在问题开始时描述的DAG中因果箭头的形式含义不太吻合（即，因为红色箭头未终止于变量中））。 如何在DAG的视觉形式主义中正确表示交互作用？ 参考文献 格陵兰，S。，珍珠，J。和罗宾斯，JM（1999）。流行病学研究因果图。流行病学，10（1）：37-48。

17 interaction  causality  dag 

有向无环图（DAG）是统计模型中定性因果假设的有效直观表示，但是它们可以用于表示规则的工具变量方程（或其他方程）吗？如果是这样，怎么办？如果没有，为什么？

15 causality  instrumental-variables  dag 

我正在学习概率图形模型，这是一本用于自学的书。有向无环图（DAG）中的边是否代表因果关系？ 如果我想构建贝叶斯网络，但不确定箭头的方向怎么办？所有数据将告诉我观察到的相关性，而不是它们之间的相互联系。我知道我要问的太多了，因为我确信接下来的章节将解决这些问题，但这只是我不能停止思考的原因。

13 causality  graphical-model  bayesian-network  dag 

如果要在下面的因果关系图中计算对的因果关系，则可以使用后门调整定理和前门调整定理，即 Y P （y | do（X = x ））= ∑ u P （y | x ，u ）P （u ）XXXÿYYP（y| 做（X= x ））= ∑üP（y| X，ù）P（你）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) 和 P(y|do(X=x))=∑zP(z|x)∑x′P(y|x′,z)P(x′).P(y|do(X=x))=∑zP(z|x)∑x′P(y|x′,z)P(x′).P(y | \textit{do}(X = x)) = \sum_z P(z | x) \sum_{x'} P(y|x', z)P(x'). 是否容易证明这两项调整导致对因果关系相同？ÿXXXYYY

12 self-study  causality  graph-theory  dag 

我指的是后门调整和前门调整在这里： 后门调整：统计学中的原型流行病学问题是调整被测混杂因素的影响。Pearl的后门准则概括了这个想法。 前门调整：如果未发现某些变量，则我们可能需要求助于其他方法来确定因果关系。 该页面还为上述两个术语提供了精确的数学定义。 根据上述数学定义，您如何让外行人了解后门调节和前门调节之间的区别？

12 causality  dag