คำถามติดแท็ก dag

ฉันเริ่มตะลุยกับการใช้งานglmnetกับการถดถอยแบบ LASSOซึ่งผลลัพธ์ของความสนใจของฉันนั้นเป็นแบบขั้วคู่ ฉันได้สร้างกรอบข้อมูลจำลองขนาดเล็กด้านล่าง: 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, …

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 

ตัวแปรสุ่มสองตัวคือ A และ B มีความเป็นอิสระทางสถิติ นั่นหมายความว่าใน DAG ของกระบวนการ:และแน่นอน(A) แต่นั่นก็หมายความว่าไม่มีประตูหน้าจาก B ถึง A?(A⊥⊥B)(A⊥⊥B)(A {\perp\!\!\!\perp} B)P(A|B)=P(A)P(A|B)=P(A)P(A|B)=P(A) เพราะเราก็ควรจะได้รับ(A) ดังนั้นหากเป็นเช่นนั้นความเป็นอิสระทางสถิติหมายถึงการขาดสาเหตุโดยอัตโนมัติหรือไม่?P(A|do(B))=P(A)P(A|do(B))=P(A)P(A|do(B))=P(A)

40 independence  causality  bayesian-network  dag 

กราฟไซเคิลกำกับ (DAGs; เช่น, กรีนแลนด์และอัล, 1999) เป็นส่วนหนึ่งของการอนุมานเชิงสาเหตุของการอนุมานเชิงสาเหตุจากการตีความเชิงลบของค่ายเหตุ ในกราฟเหล่านี้การมีลูกศรจากตัวแปรAAAไปยังตัวแปรอ้างว่าตัวแปรสาเหตุโดยตรง (การเปลี่ยนแปลงความเสี่ยง) ตัวแปรและการไม่มีลูกศรดังกล่าวยืนยันว่าตัวแปรไม่ได้ก่อให้เกิดโดยตรง ของ) ตัวแปรBBBBAAABBBAAABBB ยกตัวอย่างเช่นคำแถลง "การสัมผัสกับควันบุหรี่โดยตรงทำให้เกิดการเปลี่ยนแปลงความเสี่ยงของ Mesothelioma" โดยลูกศรสีดำจาก "การสัมผัสกับควันบุหรี่" เป็น "Mesothelioma" ในแผนภาพสาเหตุDAG ไม่ใช่ด้านล่าง ในทำนองเดียวกันคำแถลง "การเปิดรับแร่ใยหินโดยตรงทำให้เกิดการเปลี่ยนแปลงความเสี่ยงของ Mesothelioma" ถูกแสดงโดยลูกศรสีดำจาก "การสัมผัสแร่ใยหิน" เป็น "Mesothelioma" ในกราฟสาเหตุไม่ใช่ DAGด้านล่าง ฉันใช้คำที่ไม่ใช่ DAGเพื่ออธิบายกราฟสาเหตุด้านล่างเนื่องจากลูกศรสีแดงซึ่งฉันตั้งใจจะยืนยันบางสิ่งเช่น "การสัมผัสกับแร่ใยหินทำให้เกิดการเปลี่ยนแปลงในผลกระทบโดยตรงจากการได้รับควันบุหรี่จากความเสี่ยงของ Mesothelioma" (ใยหินทำกายภาพ ความเสียหายต่อเซลล์ของปอดนั้นนอกจากจะทำให้เกิดความเสี่ยงต่อการเปลี่ยนแปลงของ Mesothelioma โดยตรงยังทำให้เซลล์มีความเสี่ยงต่อการเกิดมะเร็งจากการสัมผัสควันบุหรี่มากขึ้นและทำให้การสัมผัสกับแร่ใยหินและยาสูบเพิ่มขึ้น ความเสี่ยงที่มากกว่าผลรวมของความเสี่ยงแยกกันทั้งสอง) และสิ่งนี้ค่อนข้างไม่สอดคล้องกับความหมายที่เป็นทางการของลูกศรสาเหตุใน DAG ที่ฉันอธิบายเมื่อเริ่มต้นคำถามของฉัน (เช่นเพราะลูกศรสีแดงไม่ยุติในตัวแปร) หนึ่งจะแสดงผลกระทบปฏิสัมพันธ์อย่างถูกต้องภายในพิธีการทางสายตาของ DAG อย่างไร อ้างอิง กรีนแลนด์, เอส., เพิร์ล, เจและโรบินส์, …

17 interaction  causality  dag 

Directed acyclic graphs (DAG) เป็นการนำเสนอภาพที่มีประสิทธิภาพของสมมติฐานเชิงสาเหตุเชิงคุณภาพในแบบจำลองทางสถิติ แต่สามารถใช้เพื่อแสดงสมการตัวแปรเครื่องมือแบบปกติ (หรือสมการอื่น ๆ ) ได้หรือไม่? ถ้าเป็นเช่นนั้นได้อย่างไร ถ้าไม่ทำไม

15 causality  instrumental-variables  dag 

ฉันกำลังเรียนแบบจำลองความน่าจะเป็นหนังสือสำหรับศึกษาด้วยตนเอง ขอบในกราฟไซเคิลกำกับ (DAG)แสดงถึงความสัมพันธ์เชิงสาเหตุหรือไม่? ถ้าฉันต้องการสร้างเครือข่ายแบบเบย์แต่ฉันไม่แน่ใจเกี่ยวกับทิศทางของลูกศรในนั้น ข้อมูลทั้งหมดจะบอกฉันว่าเป็นความสัมพันธ์ที่สังเกตไม่ใช่การเชื่อมโยงระหว่างกัน ฉันรู้ว่าฉันถามมากเกินไปเนื่องจากฉันแน่ใจว่าการติดตามบทจะช่วยแก้ไขปัญหาเหล่านี้ได้ แต่เป็นเพียงสิ่งที่ฉันไม่สามารถหยุดคิดได้

13 causality  graphical-model  bayesian-network  dag 

หากเราต้องการคำนวณผลกระทบเชิงสาเหตุของต่อในกราฟสาเหตุด้านล่างเราสามารถใช้ทั้งการปรับประตูหลังและทฤษฎีการปรับประตูหน้าเช่น Y P ( y | do ( X = x ) ) = ∑ u P ( y | x , u ) P ( u )XXXYYYP( y| ทำ (X= x ) ) = ∑ยูP( 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) …

12 self-study  causality  graph-theory  dag 

ฉันหมายถึงการปรับประตูหลังและการปรับประตูหน้าที่นี่ : การปรับประตูหลัง : ปัญหาทางระบาดวิทยาทางโบราณคดีในทางสถิติคือการปรับให้ได้ผลของคู่หูที่วัดได้ เกณฑ์ด้านหลังของ Pearl ทำให้ความคิดนี้เป็นเรื่องปกติ การปรับประตูหน้า : หากตัวแปรบางตัวไม่มีการตรวจสอบเราอาจต้องใช้วิธีการอื่นเพื่อระบุผลกระทบเชิงสาเหตุ หน้านี้ยังมาพร้อมกับคำจำกัดความทางคณิตศาสตร์ที่แม่นยำสำหรับคำสองคำข้างต้น คุณทำให้คนธรรมดาเข้าใจความแตกต่างระหว่างการปรับประตูหลังและประตูหน้าตามคำจำกัดความทางคณิตศาสตร์ข้างต้นได้อย่างไร

12 causality  dag