stringtranslate.com

Colisionador (estadísticas)

En estadística 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 las conoce como horquillas invertidas . [2]

Modelo SEM de un colisionador

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 trayectoria es que el colisionador bloquea la asociación entre las variables que lo influyen. [4] [5] [6] Por lo tanto, 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 muestra basada en valores del colisionador crea una asociación no causal entre X e Y ( paradoja de Berkson ). En la terminología de los gráficos causales, el condicionamiento del colisionador abre el camino entre X e Y. Esto introducirá sesgo 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 teorías causales. [ cita requerida ]

A veces se confunden los colisionadores con las variables de confusión . A diferencia de los colisionadores, las variables de confusión deben controlarse al estimar las asociaciones causales. [ cita requerida ]

Para detectar y gestionar el sesgo del colisionador, los investigadores han utilizado gráficos acíclicos dirigidos . [7]

Los diseños de investigación aleatorizados y cuasiexperimentales no son útiles para superar el sesgo del colisionador. [7]

Véase también

Referencias

  1. ^ Hernan, Miguel A.; Robins, James M. (2010), Inferencia causal , monografías Chapman & Hall/CRC sobre estadística y probabilidad aplicada, CRC, p. 70, ISBN 978-1-4200-7616-5
  2. ^ Julia M. Rohrer (2 de julio de 2018). "Pensar con claridad sobre correlaciones y causalidad: modelos causales gráficos para datos observacionales". PsyArXiv . doi :10.31234/osf.io/t3qub. hdl : 21.11116/0000-0006-5734-E .
  3. ^ Ali, R. Ayesha; Richardson, Thomas S.; Spirtes, Peter; Zhange, Jiji (2012). "Hacia la caracterización de clases de equivalencia de Markov para grafos acíclicos dirigidos con variables latentes". Actas de la Vigésima Primera Conferencia sobre Incertidumbre en Inteligencia Artificial (UAI2006) : 10–17. arXiv : 1207.1365 .
  4. ^ Greenland, Sander; Pearl, Judea; Robins, James M. (enero de 1999), "Diagramas causales para la investigación epidemiológica" (PDF) , Epidemiology , 10 (1): 37–48, doi :10.1097/00001648-199901000-00008, ISSN  1044-3983, OCLC  484244020, PMID  9888278
  5. ^ 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. 
  6. ^ Pearl, Judea (1988). Razonamiento probabilístico en sistemas inteligentes: redes de inferencia plausible . Morgan Kaufmann.
  7. ^ ab Schneider, Eric B. (2020). "Sesgo de colisionador en la investigación de la historia económica" (PDF) . Explorations in Economic History . 78 : 101356. doi :10.1016/j.eeh.2020.101356. ISSN  0014-4983. Archivado desde el original el 11 de abril de 2024.