kausal10

dag

causal

Published

December 19, 2022

Exercise

Ein Forschungsteam aus Psychologen und Medizinern untersucht die Frage, ob (höhere) Bereitschaft für eine OP und zu Veränderung in ihrer Lebensführung, nach einem Jahr über einen (höheren) Schmerzrückgang führt. Das hießt, Patienten geringerer Bereitschaft sollten es entsprechend zu weniger Schmerzrückgang kommen. Die Bereitschaft der Patienten (ein theoretisches Konstrukt, was nicht direkt beobachtbar ist) wurde mittels eines psychometrisch validierten Fragebogen erhoben. Die Studie umfasst ausschließlich Patienten, die eine OP wegen Rückenschmerzen durchlaufen sind (s. DAG).

Das Studiendesign impliziert, dass nur Patienten, die eine OP durchlaufen haben, in die Studie aufgenommen wurde. Damit wird per Design diese Variable stratifiziert (kontrolliert).

Durch die Stratifizierung wird ein Hintertürpfad geöffnet; dieser muss geschlossen werden. Wie sollte dies geschehen (in diesem Modell)?

Im folgenden Diagramm ist der Kollisionsbias kenntlich gemacht, der durch die Stratifizierung von Surgical Status entsteht:

Hinweis:

Wenn von “kausaler Effekt” gesprochen wird, ist stets der (totale) kausale Effekt wie oben definiert gemeint.
Gehen Sie davon aus, dass die Daten zur Studie wie oben dargestellt erhoben und zugänglich sind; die Datenerhebung aber abgeschlossen ist.

Answerlist

Es sollte vom Forschungsteam auf Baseline Pane kontrolliert werden, um den kausalen Effekt zu identifizieren.
Es sollte vom Forschungsteam auf Underlying Readiness kontrolliert werden, um den kausalen Effekt zu identifizieren.
Es sollte vom Forschungsteam auf Surgical Status kontrolliert werden, um den kausalen Effekt zu identifizieren.
Es sollte vom Forschungsteam auf Change in Pain kontrolliert werden, um den kausalen Effekt zu identifizieren.
Es sollte vom Forschungsteam auf Measured Readiness kontrolliert werden, um den kausalen Effekt zu identifizieren.

Solution

Es sollte auf Baseline Pain kontrolliert werden, um den kausalen Effekt zu identifizieren.

Mit Kontrolle von Baseline Pain (und surgery) ist der kausale Effekt identifiziert:

Ohne Kontrolle von Baseline Pain ist der Effekt nicht identifiziert; es gibt einen Hintertürpfad:

Quelle

Answerlist

Wahr
Falsch
Falsch
Falsch
Falsch

Categories:

dag
causal

--- exname: dag10 extype: schoice exsolution: 10000 exshuffle: yes categories: - dag - causal date: '2022-12-19' slug: kausal10 title: kausal10 --- ```{r libs, include = FALSE} library(tidyverse) #library(testthat) #library(glue) #library(dagitty) library(ggdag) ``` ```{r global-knitr-options, include=FALSE} knitr::opts_chunk$set(fig.pos = 'H', fig.asp = 0.618, fig.width = 7, fig.cap = "", fig.path = "", cache = FALSE, echo = FALSE, message = FALSE, #dpi = 300, fig.show = "hold") ``` # Exercise Ein Forschungsteam aus Psychologen und Medizinern untersucht die Frage, ob (höhere) *Bereitschaft* für eine OP und zu Veränderung in ihrer Lebensführung, nach einem Jahr über einen (höheren) *Schmerzrückgang* führt. Das hießt, Patienten geringerer Bereitschaft sollten es entsprechend zu weniger Schmerzrückgang kommen. Die Bereitschaft der Patienten (ein theoretisches Konstrukt, was nicht direkt beobachtbar ist) wurde mittels eines psychometrisch validierten Fragebogen erhoben. Die Studie umfasst ausschließlich Patienten, die eine OP wegen Rückenschmerzen durchlaufen sind (s. DAG). Das Studiendesign impliziert, dass nur Patienten, die eine OP durchlaufen haben, in die Studie aufgenommen wurde. Damit wird per Design diese Variable stratifiziert (kontrolliert). ```{r plot-dag-question} coords <- dagitty::coordinates(m_bias()) %>% coords2df() coords$name <- c("readiness", "pain", "surgery", "ready_tool", "pain_change") surgical_dag <- ggdag::dagify(ready_tool ~ readiness, surgery ~ readiness + pain, pain_change ~ ready_tool + pain, exposure = "ready_tool", outcome = "pain_change", latent = "readiness", labels = c(ready_tool = "Measured \nReadiness", pain_change = "Change \nin Pain", readiness = "Underlying \nReadiness", pain = "Baseline \nPain", surgery = "Surgical \nStatus"), coords = coords2list(coords)) %>% control_for("surgery") ggdag::ggdag_adjust(surgical_dag, text = FALSE, use_labels = "label", collider_lines = FALSE) + theme_dag() ``` Durch die Stratifizierung wird ein Hintertürpfad geöffnet; dieser muss geschlossen werden. Wie sollte dies geschehen (in diesem Modell)? Im folgenden Diagramm ist der Kollisionsbias kenntlich gemacht, der durch die Stratifizierung von `Surgical Status` entsteht: ```{r fig.width=9} ggdag::ggdag_adjust(surgical_dag, text = FALSE, use_labels = "label", collider_lines = TRUE) + theme_dag() ``` Hinweis: - Wenn von "kausaler Effekt" gesprochen wird, ist stets der (totale) kausale Effekt wie oben definiert gemeint. - Gehen Sie davon aus, dass die Daten zur Studie wie oben dargestellt erhoben und zugänglich sind; die Datenerhebung aber abgeschlossen ist. Answerlist ---------- * Es sollte vom Forschungsteam auf `Baseline Pane` kontrolliert werden, um den kausalen Effekt zu identifizieren. * Es sollte vom Forschungsteam auf `Underlying Readiness` kontrolliert werden, um den kausalen Effekt zu identifizieren. * Es sollte vom Forschungsteam auf `Surgical Status` kontrolliert werden, um den kausalen Effekt zu identifizieren. * Es sollte vom Forschungsteam auf `Change in Pain` kontrolliert werden, um den kausalen Effekt zu identifizieren. * Es sollte vom Forschungsteam auf `Measured Readiness` kontrolliert werden, um den kausalen Effekt zu identifizieren. # Solution Es sollte auf `Baseline Pain` kontrolliert werden, um den kausalen Effekt zu identifizieren. ```{r plot-solution-dag} surgical_dag2 <- dagify(ready_tool ~ readiness, surgery ~ readiness + pain, pain_change ~ ready_tool + pain, exposure = "ready_tool", outcome = "pain_change", latent = "readiness", labels = c(ready_tool = "Measured \nReadiness", pain_change = "Change \nin Pain", readiness = "Underlying \nReadiness", pain = "Baseline \nPain", surgery = "Surgical \nStatus"), coords = coords2list(coords)) %>% control_for(c("surgery", "pain")) ggdag_adjust(surgical_dag2, text = FALSE, use_labels = "label", collider_lines = FALSE) + theme_dag() ``` Mit Kontrolle von `Baseline Pain` (und `surgery`) ist der kausale Effekt identifiziert: ```{r fig.width=9} surgical_dag2 %>% ggdag_adjustment_set() + theme_dag() ``` *Ohne* Kontrolle von `Baseline Pain` ist der Effekt *nicht* identifiziert; es gibt einen Hintertürpfad: ```{r fig.width=9} surgical_dag %>% ggdag_drelationship("ready_tool", "pain_change", controlling_for = "surgery") + theme_dag() ``` [Quelle](https://ggdag.malco.io/) Answerlist ---------- * Wahr * Falsch * Falsch * Falsch * Falsch --- Categories: - dag - causal