Grundlagen der Anwendung von DAG-Programmen

Zusammenfassung

Die Anwendung kausaler Graphen ist ein geeignetes Hilfsmittel, um die Zusammenhänge verschiedener Variablen untereinander darzustellen und ermöglicht die Identifizierung kausaler und nicht-kausaler Effekte. Wenn die strikten Regeln beim Erstellen des Graphen eingehalten werden, können Confounding und andere Arten von Bias identifiziert werden. In dieser Arbeit wird gezeigt, wie mit dem Backtracking-Algorithmus systematisch alle Pfade eines gerichteten und azyklischen kausalen Graphen (DAG, directed acyclic graph) aufgelistet werden können. Die Kenntnis der Pfade kann genutzt werden, um systematisch alle minimal suffizienten Adjustierungsmengen zu identifizieren. Die Suche folgt formalen Regeln und kann mithilfe eines Computerprogramms durchgeführt werden. Es werden die Adjazenzliste und Adjazenzmatrix als 2 Darstellungsformen für kausale Graphen vorgestellt, mit denen die Eingabe in ein Computerprogramm möglich ist.

Abstract

The application of causal graphs is a useful tool to visualize the relationship between variables and allows the identification of causal and non-causal effects. If the strict rules of the DAG theory are followed, then it is possible to identify confounding and other sources of bias. In this article we show the backtracking algorithm to find all paths of a directed acyclic graph (DAG). The knowledge of the paths can be used to identify systematically all minimally sufficient adjustment sets. The search follows formal rules and can be done by a computer program. The adjacency list and adjacency matrix, which can be used as input for a computer program, are 2 representational forms of a causal graph.

Schlüsselwörter

DAG - kausale Diagramme - kausaler Graph - Backtracking-Algorithmus - minimal suffiziente Adjustierungsmenge

Key words

DAG - causal diagrams - causal graph - backtracking algorithm - minimally sufficient adjustment set

• Literatur

• 1 Schipf S, Knüppel S, Hardt J et al. Directed Acyclic Graphs (DAGs) – Die Anwendung kausaler Graphen in der Epidemiologie. Gesundheitswesen 2011; 73: 888-892
• 2 Pearl J. Causality: Models, Reasoning, and Inference. New York: Cambridge University Press; 2000: 331-358
• 3 Breitling LP. dagR: a suite of R functions for directed acyclic graphs. Epidemiology 2010; 21: 586-587
• 4 Knüppel S, Stang A. DAG program: identifying minimal sufficient adjustment sets. Epidemiology 2010; 21: 159
• 5 Textor J, Hardt J, Knüppel S. DAGitty: A graphical tool for analyzing causal diagrams [Letter]. Epidemiology 2011; 22: 745
• 6 Skiena SS. The algorithm design manual. 2^nd ed. London: Springer; 2008
• 7 Glymour MM, Greenland S. Causal diagrams. In: Rothman KJ, Greenland S, Lash TL. (eds.) Modern Epidemiology. 3^rd ed Philadelphia: Wolters Kluwer, Lippincott Williams & Wilkins; 2008: 183-209
• 8 Hernán MA, Hernández-Díaz S, Robins JM. A structural approach to selection bias. Epidemiology 2004; 15 (05) 615-625
• 9 Spirtes P, Glymour C, Scheines R. Causation, Prediction, and Search. New York: Springer-Verlag; 1993
• 10 The OEIS foundation. The on-line encyclopedia of integer sequences^TM (OEIS^TM): A000522. URL http://oeis.org/A000522 (abgerufen am 06.09.2011)
• 11 Textor J. Die moralischen Vorfahren: Adjustierungsmengen in Kausaldiagrammen schnell und einfach berechnen. Gesundheitswesen 2011; 73: 897-900