stringtranslate.com

Коллайдер (статистика)

В статистике и причинных графах переменная является коллайдером , когда на нее каузально влияют две или более переменных. Название «коллайдер» отражает тот факт, что в графических моделях наконечники стрелок от переменных, которые ведут в коллайдер, кажутся «сталкивающимися» на узле , который является коллайдером. [1] Иногда их также называют перевернутыми вилками . [2]

СЭМ- модель коллайдера

Причинные переменные, влияющие на коллайдер, сами по себе не обязательно связаны. Если они не являются смежными, коллайдер не экранирован . В противном случае коллайдер экранирован и является частью треугольника. [3]

Результатом наличия коллайдера на пути является то, что коллайдер блокирует связь между переменными, которые на него влияют. [4] [5] [6] Таким образом, коллайдер не генерирует безусловную связь между переменными, которые его определяют.

Обусловливание коллайдера посредством регрессионного анализа , стратификации, экспериментального проектирования или отбора образцов на основе значений коллайдера создает некаузальную связь между X и Y ( парадокс Берксона ). В терминологии причинных графов обусловливание коллайдера открывает путь между X и Y. Это внесет смещение при оценке причинной связи между X и Y , потенциально вводя связи там, где их нет. Таким образом, коллайдеры могут подорвать попытки проверки причинных теорий. [ необходима цитата ]

Коллайдеры иногда путают с переменными- конфаундерами . В отличие от коллайдеров, переменные-конфаундеры должны контролироваться при оценке причинно-следственных связей. [ необходима цитата ]

Для обнаружения и управления смещением коллайдера ученые использовали направленные ациклические графы . [7]

Рандомизация и квазиэкспериментальные исследовательские проекты бесполезны для преодоления смещения коллайдера. [7]

Смотрите также

Ссылки

  1. ^ Эрнан, Мигель А.; Робинс, Джеймс М. (2010), Причинно-следственный вывод , монографии Чапмана и Холла/CRC по статистике и прикладной вероятности, CRC, стр. 70, ISBN 978-1-4200-7616-5
  2. ^ Джулия М. Рорер (2018-07-02). «Четкое мышление о корреляциях и причинно-следственной связи: графические причинно-следственные модели для наблюдательных данных». PsyArXiv . doi :10.31234/osf.io/t3qub. hdl : 21.11116/0000-0006-5734-E .
  3. ^ Али, Р. Айеша; Ричардсон, Томас С.; Спиртес, Питер; Чжань, Джиджи (2012). «К характеристике классов эквивалентности Маркова для направленных ациклических графов со скрытыми переменными». Труды Двадцать первой конференции по неопределенности в искусственном интеллекте (UAI2006) : 10–17. arXiv : 1207.1365 .
  4. ^ Гринленд, Сандер; Перл, Иудея; Робинс, Джеймс М. (январь 1999 г.), «Причинно-следственные диаграммы для эпидемиологических исследований» (PDF) , Эпидемиология , 10 (1): 37–48, doi :10.1097/00001648-199901000-00008, ISSN  1044-3983, OCLC  484244020, PMID  9888278
  5. ^ Pearl, Judea (1986). «Слияние, распространение и структурирование в сетях убеждений». Искусственный интеллект . 29 (3): 241–288. CiteSeerX 10.1.1.84.8016 . doi :10.1016/0004-3702(86)90072-x. 
  6. ^ Перл, Джудеа (1988). Вероятностное рассуждение в интеллектуальных системах: сети правдоподобного вывода . Морган Кауфманн.
  7. ^ ab Schneider, Eric B. (2020). "Collider bias in economic history research" (PDF) . Explorations in Economic History . 78 : 101356. doi :10.1016/j.eeh.2020.101356. ISSN  0014-4983. Архивировано из оригинала 11 апреля 2024 г.