kausal01

dag

causal

exam-22

Published

January 11, 2023

Aufgabe

Gegeben sei der DAG g (s.u.). Welche Variable/n sind zu kontrollieren, um den kausalen Effekt von x auf y zu identifizieren?

Gegeben sei der DAG g (s.o.). Dabei ist zu beachten, dass die gebogene Kurve (keine Gerade) mit zwei Pfeilspitzen keinen Kausaleffekt beschreibt, sondern eine Assoziation. Die dahinterstehende kausale Struktur ist eine Konfundierung. Daher ist der “Doppelpfeil” als Abkürzung für eine Konfundierung zu verstehen.

Welche Variable/n sind zu kontrollieren, um den kausalen Effekt von x auf y zu identifizieren?

Answerlist

keine, bereits identifiziert
x
y
m
keine, nicht identifizierbar

Lösung

Keine. Der kausale Effekt von x auf y ist bereits identifiziert. “Identifiziert” bedeutet, dass die statistische Assoziation zwischen den beiden Variablen komplett kausal ist. Es gibt keine Hintertürpfade, keine Pfade also, die Scheinkorrelation erzeugen würden.

{}

Answerlist

Wahr
Falsch
Falsch
Falsch
Falsch

Categories:

dag
causal
exam-22

---
exname: kausal01
extype: schoice
exsolution: 10000
exshuffle: yes
expoints: 1
categories:
- dag
- causal
- exam-22
date: '2023-01-11'
slug: kausal01
title: kausal01

---




```{r libs, include = FALSE}
#library(tidyverse)
#library(testthat)
#library(glue)
library(dagitty)
library(ggdag)
```


```{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,
                      #dpi = 300,
                      fig.show = "hold")
```





# Aufgabe


Gegeben sei der DAG `g` (s.u.). Welche Variable/n sind zu kontrollieren, um den kausalen Effekt von `x` auf `y` zu identifizieren?


```{r echo = FALSE}
g <- dagitty( "dag { x -> y ; x <-> m <-> y } " ) 

g <- dagify(y ~ x,
            x ~~ m,
            y ~~ m)

ggdag(g) + theme_dag() +
  ggplot2::labs(title = "DAG g")
```



Gegeben sei der DAG `g` (s.o.). 
Dabei ist zu beachten, dass die gebogene Kurve (keine Gerade) mit zwei Pfeilspitzen *keinen* Kausaleffekt beschreibt,
sondern eine *Assoziation.*
Die dahinterstehende kausale Struktur ist eine Konfundierung.
Daher ist der "Doppelpfeil" als Abkürzung für eine Konfundierung zu verstehen.

*Welche Variable/n sind zu kontrollieren,* 
*um den kausalen Effekt von `x` auf `y` zu identifizieren?*




Answerlist
----------
* keine, bereits identifiziert
* x
* y
* m
* keine, nicht identifizierbar




</br>
</br>
</br>
</br>
</br>
</br>
</br>
</br>
</br>
</br>

# Lösung

Keine. Der kausale Effekt von `x` auf `y` ist bereits identifiziert. 
"Identifiziert" bedeutet,
dass die statistische Assoziation zwischen den beiden Variablen komplett kausal ist.
Es gibt keine Hintertürpfade,
keine Pfade also, die Scheinkorrelation erzeugen würden.

```{r}
adjustmentSets(g, "x", "y" )
```


```{r cache=FALSE}
ggdag_adjustment_set(g,
                     exposure = "x",
                     outcome = "y") + theme_dag()
```




Answerlist
----------


* Wahr
* Falsch
* Falsch
* Falsch
* Falsch





---

Categories: 

- dag
- causal
- exam-22