kausal22

dag

causal

Published

December 19, 2022

Exercise

Gegeben sei der DAG g (s. u.). Der DAG verfügt über mehrere Variablen, die als Knoten im Graph dargestellt sind und mit $x_1, x_2, \ldots x_n$ bezeichnet sind.

Welche minimale Variablenmenge muss kontrolliert werden, um den kausalen Effekt von der UV zur AV zu identifizieren?

UV: x3.

AV: x5.

Hinweise:

Mengen sind mittels geschweifter Klammern gekennzeichnet, z.B. {x8, x9} meint die Menge mit den zwei Elementen x8 und x9.
Die leere Menge { } bedeutet, dass keine Variable kontrolliert werden muss, um den kausalen Effekt zu identifizieren.
Alle Variablen werden als gemessen vorausgesetzt.
Es ist möglich, dass es keine Lösung gibt, dass es also keine Adjustierungsmenge gibt, um den kausalen Effekt zu identifizieren. Wenn dies der Fall sein sollte, wählen Sie “keine Lösung”.

Answerlist

{ x2, x7 }
{ x1, x5 }
{ x2 }
{ x4, x7 }
{ x3, x5 }

Solution

Folgende minimale Variablenmenge muss kontrolliert werden, um den kausalen Effekt der UV auf die AV zu identifizieren: { x2 }.

Es wird also nach dem minimal adjustment set gefragt. Zu beachten ist, dass es weitere, aber größere Mengen geben kann, die den kausalen Effekt identifizieren, aber gefragt ist nach der minimalen Menge. Außerdem ist es möglich, dass es weitere minimale Adjustierungsmengen gibt, die aber nicht in der Auswahlliste vorkommen.

Erläuterung:

UV und AV sind (durch mindestens einen offenen Pfad) verbunden (“d-connected”).

Folgende Unabhängigkeitsbeziehungen (_||_) werden durch den DAG definiert:

x1 _||_ x4
x1 _||_ x5 | x2
x1 _||_ x7 | x3, x5, x6
x1 _||_ x7 | x2, x3, x6
x2 _||_ x3 | x1
x2 _||_ x4
x2 _||_ x6 | x1
x2 _||_ x7 | x3, x5, x6
x2 _||_ x7 | x1, x5
x3 _||_ x4
x3 _||_ x5 | x2
x3 _||_ x5 | x1
x4 _||_ x5
x4 _||_ x6
x5 _||_ x6 | x1
x5 _||_ x6 | x2

UV und AV werden durch folgende Pfade verbunden:

$paths
[1] "x3 -> x6 -> x7 <- x5"             "x3 -> x6 <- x1 -> x2 -> x5"      
[3] "x3 -> x7 <- x5"                   "x3 -> x7 <- x6 <- x1 -> x2 -> x5"
[5] "x3 <- x1 -> x2 -> x5"             "x3 <- x1 -> x6 -> x7 <- x5"      

$open
[1] FALSE FALSE FALSE FALSE  TRUE FALSE

Offenen Pfade sind der/die Pfad/e, die in der obigen Ausgabe unter $open mit TRUE gekennzeichnet sind.

Der DAG ist wie folgt definiert:

[1] "\ndag {\nx1\nx2\nx3\nx4\nx5\nx6\nx7\nx1 -> x2\nx1 -> x3\nx1 -> x6\nx2 -> x5\nx3 -> x6\nx3 -> x7\nx4 -> x7\nx5 -> x7\nx6 -> x7\n}\n"

Answerlist

Falsch
Falsch
Richtig
Falsch
Falsch

Categories:

dag
causal

--- exname: kausal22 expoints: 1 extype: schoice exsolution: r mchoice2string(sol_df$is_correct, single = TRUE) exshuffle: no categories: - dag - causal date: '2022-12-19' slug: kausal22 title: kausal22 --- ```{r libs, include = FALSE} library(tidyverse) library(dagitty) library(ggdag) library(exams) library(teachertools) ``` ```{r global-knitr-options, include=FALSE} knitr::opts_chunk$set(fig.pos = 'H', fig.asp = 0.618, fig.width = 7, fig.cap = "", fig.path = "", echo = FALSE, message = FALSE, warning = FALSE, cache = FALSE, #dpi = 72, fig.show = "hold") ``` # Exercise ```{r dag-examples} #dag with one adjustment set with one element: x3->x5 dag1 <- " dag { x1 x2 x3 x4 x5 x1 -> x2 x2 -> x3 x2 -> x5 x3 -> x5 x4 -> x5 } " # dag with one empty adjustment set, ie., already identified: x3->x5 dag2 <- " dag { x1 x2 x3 x4 x5 x6 x7 x1 -> x3 x1 -> x7 x2 -> x4 x2 -> x5 x2 -> x6 x2 -> x7 x3 -> x4 x3 -> x6 x3 -> x7 x4 -> x5 x4 -> x6 x5 -> x6 x6 -> x7 } " # dag with two solutions each with 1 element/node: x3->x5 dag3 <- " dag { x1 x2 x3 x4 x5 x6 x7 x1 -> x2 x1 -> x3 x1 -> x6 x2 -> x5 x3 -> x6 x3 -> x7 x4 -> x7 x5 -> x7 x6 -> x7 } " # dag WITHOUT any solution, a haunted dag: x6->x5 dag4 <- " dag { x1 x2 x3 x4 x5 x6 x1 -> x2 x1 -> x3 x1 -> x4 x1 -> x5 x2 -> x3 x2 -> x4 x2 -> x5 x2 -> x6 x3 -> x5 x3 -> x6 x4 -> x5 x4 -> x6 x5 -> x6 } " #plot(dag4) ``` ```{r create-dag} exposure_var <- "x3" outcome_var <- "x5" dag_size <- 7 g <- dag3 # compute minimal adjustment set: adj <- adjustmentSets(g, exposure = exposure_var, outcome = outcome_var) ``` Gegeben sei der DAG `g` (s. u.). Der DAG verfügt über mehrere Variablen, die als Knoten im Graph dargestellt sind und mit $x_1, x_2, \ldots x_n$ bezeichnet sind. *Welche minimale Variablenmenge muss kontrolliert werden, um den kausalen Effekt von der UV zur AV zu identifizieren?* UV: `r exposure_var`. AV: `r outcome_var`. *Hinweise*: - Mengen sind mittels geschweifter Klammern gekennzeichnet, z.B. `{x8, x9}` meint die Menge mit den zwei Elementen `x8` und `x9`. - Die leere Menge `{ }` bedeutet, dass keine Variable kontrolliert werden muss, um den kausalen Effekt zu identifizieren. - Alle Variablen werden als gemessen vorausgesetzt. - Es ist möglich, dass es keine Lösung gibt, dass es also keine Adjustierungsmenge gibt, um den kausalen Effekt zu identifizieren. Wenn dies der Fall sein sollte, wählen Sie "keine Lösung". ```{r build-solution, include=FALSE} sol_df <- build_adj_set_answers( dag_def = g, exposure_var = exposure_var, outcome_var = outcome_var) ``` ```{r plot-dag} #ggdag(g, stylized = TRUE) + theme_dag() graphLayout(g) %>% plot() ``` ```{r questionlist, results="asis"} answerlist(sol_df$sol, markup = "markdown") ``` # Solution Folgende minimale Variablenmenge muss kontrolliert werden, um den kausalen Effekt der UV auf die AV zu identifizieren: ``r sol_df$sol[sol_df$is_correct == TRUE]``. Es wird also nach dem *minimal adjustment set* gefragt. Zu beachten ist, dass es weitere, aber größere Mengen geben kann, die den kausalen Effekt identifizieren, aber gefragt ist nach der minimalen Menge. Außerdem ist es möglich, dass es weitere minimale Adjustierungsmengen gibt, die aber nicht in der Auswahlliste vorkommen. *Erläuterung*: ```{r} is_dseparated <- dseparated(g, X = exposure_var, Y = outcome_var) is_dconnected <- dconnected(g, X = exposure_var, Y = outcome_var) ``` UV und AV sind `r ifelse(is_dconnected==FALSE, "nicht", "")` (durch mindestens einen offenen Pfad) verbunden ("d-connected"). Folgende Unabhängigkeitsbeziehungen (`_||_`) werden durch den DAG definiert: ```{r} impliedConditionalIndependencies(g) ``` UV und AV werden durch folgende Pfade verbunden: ```{r} g_paths <- paths(g, from = exposure_var, to = outcome_var) g_paths ``` Offenen Pfade sind der/die Pfad/e, die in der obigen Ausgabe unter `$open` mit `TRUE` gekennzeichnet sind. Der DAG ist wie folgt definiert: ```{r, comment = ""} g ``` ```{r, echo = FALSE, results = "asis"} answerlist(ifelse(sol_df$is_correct, "Richtig", "Falsch"), markup = "markdown") ``` --- Categories: - dag - causal