Questions tagged «dag»

3
示例:使用glmnet获得二进制结果的LASSO回归
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 

3
统计独立性是否意味着缺乏因果关系?
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)

2
在有向无环图中表示交互作用
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。


4
有向无环图中的边是否代表因果关系?
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。

1
后门和前门调整的因果效应
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

1
外行对后门调整和前门调整之间差异的理解
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 
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.