En estadísticas y gráficos causales , una variable es un colisionador cuando está influenciada causalmente por dos o más variables. El nombre "colisionador" refleja el hecho de que en los modelos gráficos , las puntas de flecha de las variables que conducen al colisionador parecen "colisionar" en el nodo que es el colisionador. [1] A veces también se les conoce como horquillas invertidas . [2]
Las variables causales que influyen en el colisionador no están necesariamente asociadas. Si no son adyacentes, el colisionador no está protegido . De lo contrario, el colisionador está protegido y forma parte de un triángulo. [3]
El resultado de tener un colisionador en la ruta es que el colisionador bloquea la asociación entre las variables que influyen en él. [4] [5] [6] Así, el colisionador no genera una asociación incondicional entre las variables que lo determinan.
El condicionamiento del colisionador mediante análisis de regresión , estratificación, diseño experimental o selección de muestras basada en los valores del colisionador crea una asociación no causal entre X e Y ( paradoja de Berkson ). En la terminología de gráficos causales, acondicionado en el colisionador se abre la trayectoria entre X y Y . Esto introducirá sesgos al estimar la asociación causal entre X e Y , lo que podría introducir asociaciones donde no las hay. Por lo tanto, los colisionadores pueden socavar los intentos de probar las teorías causales.
Los colisionadores a veces se confunden con variables de confusión . A diferencia de los colisionadores, las variables de confusión deben controlarse al estimar las asociaciones causales.
Ver también
Referencias
- ^ Hernán, Miguel A .; Robins, James M. (2010), Inferencia causal , monografías de Chapman & Hall / CRC sobre estadística y probabilidad aplicada, CRC, p. 70, ISBN 978-1-4200-7616-5
- ^ Julia M. Rohrer (2 de julio de 2018). "Pensando claramente en las correlaciones y la causalidad: modelos causales gráficos para datos de observación" . PsyArXiv . doi : 10.31234 / osf.io / t3qub .
- ^ Ali, R. Ayesha; Richardson, Thomas S .; Espíritus, Peter; Zhange, Jiji (2012). "Hacia la caracterización de clases de equivalencia de Markov para grafos acíclicos dirigidos con variables latentes" . Actas de la XXI Conferencia sobre Incertidumbre en Inteligencia Artificial (UAI2006) : 10–17. arXiv : 1207.1365 . Consultado el 14 de diciembre de 2020 .
- ^ Groenlandia, Sander; Pearl, Judea; Robins, James M. (enero de 1999), "Diagramas de causas para la investigación epidemiológica" (PDF) , Epidemiología , 10 (1): 37–48, doi : 10.1097 / 00001648-199901000-00008 , ISSN 1044-3983 , OCLC 484244020 , PMID 9888278
- ^ Pearl, Judea (1986). "Fusión, propagación y estructuración en redes de creencias". Inteligencia artificial . 29 (3): 241–288. CiteSeerX 10.1.1.84.8016 . doi : 10.1016 / 0004-3702 (86) 90072-x .
- ^ Pearl, Judea (1988). Razonamiento probabilístico en sistemas inteligentes: redes de inferencia plausible . Morgan Kaufmann.