kausal03

dag

causal

exam-22

Published

January 11, 2023

Aufgabe

Gegeben sei der DAG g (s.u.). Was ist die minimale Menge an Variablen, die man kontrollieren muss, um den kausalen Effekt von x auf y zu identifizieren?

Hinweise:

Gebogene Kurven mit doppelter Pfeilspitze zeigen keine Kausaleinflüsse ein (was in DAGs nicht erlaubt wäre).
Stattdessen zeigen Sie eine Assoziation bedingt durch eine (nicht aufgeführte) Konfundierungsvariable an.

Answerlist

{ w1, w2, z2 }
{ w2, z2 }
{ w1, w2 }
{ w1, z2 }
{ w1 }

Lösung

{ w1, w2, z2 }
{ v, w1, w2 }
{ w1, w2, z1 }

Die Regressionsformel lautet also. y ~ x + w1 + w2 + z2.

Es gibt mehrere Adjustment Sets, aber unsere Lösungsoptionen lassen nur eine zu. Ein Adjustment Set ist die Menge der zu kontrollierenden Variablen (um einen kausalen Effekt zu identifizieren).

Alternative Visualisierung:

Answerlist

Wahr
Falsch
Falsch
Falsch
Falsch

Categories:

dag
causal
exam-22

---
exname: kausal03
extype: schoice
exsolution: 10000
exshuffle: yes
categories:
- dag
- causal
- exam-22
date: '2023-01-11'
slug: kausal03
title: kausal03

---




```{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.). 
Was ist die minimale Menge an Variablen,
die man kontrollieren muss,
um den kausalen Effekt von `x` auf `y` zu identifizieren?


```{r }
dag <- dagitty::dagitty("dag {
    y <- x <- z1 <- v -> z2 -> y
    z1 <- w1 <-> w2 -> z2
    x <- w1 -> y
    x <- w2 -> y
    x [exposure]
    y [outcome]
  }"
) 


plot(graphLayout(dag))

```



Hinweise:

- Gebogene Kurven mit doppelter Pfeilspitze zeigen *keine* Kausaleinflüsse ein (was in DAGs nicht erlaubt wäre). 
- Stattdessen zeigen Sie eine Assoziation bedingt durch eine (nicht aufgeführte) Konfundierungsvariable an.


Answerlist
----------

* { w1, w2, z2 }
* { w2, z2 }
* { w1, w2 }
* { w1, z2 }
* { w1 }






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

# Lösung


```{r comment = ""}
print( adjustmentSets( dag, "x", "y" ,
                       type = "minimal",
                       effect = "direct") )
```



Die Regressionsformel lautet also. `y ~ x + w1 + w2 + z2`.

Es gibt mehrere *Adjustment Sets*,
aber unsere Lösungsoptionen lassen nur eine zu.
Ein *Adjustment Set* ist die Menge der zu kontrollierenden Variablen (um einen kausalen Effekt zu identifizieren).



Alternative Visualisierung:

```{r echo = FALSE}
dag <- dagitty::dagitty(
  "dag {
    y <- x <- z1 <- v -> z2 -> y
    z1 <- w1 <-> w2 -> z2
    x <- w1 -> y
    x <- w2 -> y
    x [exposure]
    y [outcome]
  }"
) 

ggdag(dag) + theme_dag()
```




Answerlist
----------


* Wahr
* Falsch
* Falsch
* Falsch
* Falsch




---

Categories: 

- dag
- causal
- exam-22