kausal07

dag

causal

Published

December 19, 2022

Exercise

Eine Forscherin untersucht den Zusammenhang von Rauchen smo (smoking, UV, exposure) und Herzstillstand ca (cardiac arrest, AV, outcome). Sie hegt die Hypothese, dass Rauchen einen Einfluss auf den Cholesterolspiegel cho (cholestorol) hat, was wiederum Herzstillstand auslösen könnte.

Hier sehen Sie die Definition des DAGs:

dag {
ca [outcome]
cho
smo [exposure]
unh
wei
cho -> ca
smo -> cho
unh -> smo
unh -> wei
wei -> cho
}

Die Forscherin überlegt, Cholestorol zu kontrollieren. Ist diese Idee sinnvoll?

Answerlist

Nein, da die Assoziation zwischen UV und AV unterbrochen wird.
Ja, so wird der kausale Effekt identifiziert.
Ja, nur so wird der kausale Effekt identifiziert.
Es schadet nicht, aber es ist auch nicht nötig.
Nein, da eine Kollision erzeugt wird.

Solution

Alternative Visualisierung:

Nein, es ist nicht sinnvoll, da die Assoziation zwischen UV und AV unterbrochen wird. Damit wird der Kausaleffekt von Rauchen auf den Herzstillstand “wegkontrolliert”. Die Ergebnisse würden dann fälschlich aufzeigen, dass Rauchen nicht in Verbindung stünde mit Herzstillstand, was falsch ist.

Stattdessen wäre es nötig, weight oder auch unhealthy lifestyle zu kontrollieren, um den kausalen Effekt von smoking auf cardiacarrest zu identifizieren.

Hier sind die möglichen “Adjustment Sets”, die Mengen der Variablen, die man (pro Menge) kontrollieren muss, um den gesuchten Kausaleffekt zu identifizieren:

{ unh }
{ wei }
{ unh, wei }

Answerlist

Wahr
Falsch
Falsch
Falsch
Falsch

Categories:

dag
causal

--- exname: dag7 extype: schoice exsolution: 10000 exshuffle: yes categories: - dag - causal date: '2022-12-19' slug: kausal07 title: kausal07 --- ```{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") ``` # Exercise Eine Forscherin untersucht den Zusammenhang von Rauchen `smo` (smoking, UV, exposure) und Herzstillstand `ca` (cardiac arrest, AV, outcome). Sie hegt die Hypothese, dass Rauchen einen Einfluss auf den Cholesterolspiegel `cho` (cholestorol) hat, was wiederum Herzstillstand auslösen könnte. ```{r } smoking_ca_dag <- dagify(ca ~ cho, cho ~ smo + wei, smo ~ unh, wei ~ unh, labels = c("ca" = "Cardiac\n Arrest", "smo" = "Smoking", "cho" = "Cholesterol", "unh" = "Unhealthy\n Lifestyle", "wei" = "Weight"), #latent = "unh", exposure = "smo", outcome = "ca") ggdag(smoking_ca_dag) + theme_dag() ``` Hier sehen Sie die Definition des DAGs: ```{r} smoking_ca_dag ``` Die Forscherin überlegt, `Cholestorol` zu kontrollieren. Ist diese Idee sinnvoll? Answerlist ---------- * Nein, da die Assoziation zwischen UV und AV unterbrochen wird. * Ja, so wird der kausale Effekt identifiziert. * Ja, *nur* so wird der kausale Effekt identifiziert. * Es schadet nicht, aber es ist auch nicht nötig. * Nein, da eine Kollision erzeugt wird. # Solution Alternative Visualisierung: ```{r} ggdag(smoking_ca_dag, text = FALSE, use_labels = "label") + theme_dag() ``` Nein, es ist nicht sinnvoll, da die Assoziation zwischen UV und AV unterbrochen wird. Damit wird der Kausaleffekt von Rauchen auf den Herzstillstand "wegkontrolliert". Die Ergebnisse würden dann fälschlich aufzeigen, dass Rauchen nicht in Verbindung stünde mit Herzstillstand, was falsch ist. ```{r} ggdag_dseparated(smoking_ca_dag, controlling_for = c("cho"), text = FALSE, use_labels = "label", collider_lines = FALSE) ``` Stattdessen wäre es nötig, `weight` oder auch `unhealthy lifestyle` zu kontrollieren, um den kausalen Effekt von `smoking` auf `cardiacarrest` zu identifizieren. Hier sind die möglichen "Adjustment Sets", die Mengen der Variablen, die man (pro Menge) kontrollieren muss, um den gesuchten Kausaleffekt zu identifizieren: ```{r} print( adjustmentSets( smoking_ca_dag, "smo", "ca" , type = "all", effect = "total") ) ``` Answerlist ---------- * Wahr * Falsch * Falsch * Falsch * Falsch --- Categories: - dag - causal