Zusammenfassung
Dieser Artikel behandelt die Anwendung kausaler Diagramme (auch DAGs, von engl. directed acyclic graphs) für das nachträgliche Prüfen auf korrekte Adjustierung in einer empirischen Studie, sowie für das Ermitteln geeigneter Adjustierungsmengen während des Studienentwurfs. Für beide Aufgaben sind in der Theorie der Kausaldiagramme mittlerweile verschiedene Methoden bekannt. Allerdings ist der Rechenaufwand einiger Methoden so hoch, dass diese sich nicht mehr per Hand durchführen lassen und selbst schnelle Computer an ihre Grenzen bringen. Um das Arbeiten mit Kausaldiagrammen in der Praxis zu erleichtern, wird in diesem Artikel das laut momentanem Kenntnisstand effizienteste Verfahren vorgestellt, das auf der sogenannten „Vorfahren-Moralgraph-Konstruktion“ von Lauritzen et al. basiert. Dieses Verfahren ermöglicht es, auch größere Kausaldiagramme mit Dutzenden von Variablen und Assoziationen leicht per Hand zu lösen, und eignet sich zudem gut für die Implementierung in Computerprogrammen. Unter anderem bauen das Online-Werkzeug DAGitty und neuere Versionen des DAG program auf dieser Methode auf.
Abstract
This article is concerned with the application of causal diagrams (also called DAGs) to the following 2 tasks, which are often faced in epidemiology: (1) a posteriori verification of the adjustment performed in an empirical study; (2) a priori identification of appropriate covariate sets for adjustment during study design. Causal diagram theory provides several methods for solving both of these tasks. However, some of these methods are computationally highly demanding, and thus cannot be carried out by hand and even pose problems for fast modern computers. In order to ease everyday work with causal diagrams, we discuss here the most efficient method known to date for performing the stated tasks. This method is based on the so-called “ancestor moral graph” construction by Lauritzen et al. and enables epidemiologists to solve at ease even large causal diagrams with dozens of variables and associations. Moreover, the presented method is well-suited for implementation in computer software, like it has been done in the DAG program and its graphical counterpart DAGitty.
Schlüsselwörter
gerichtete azyklische Graphen - DAG - kaulsale Diagramme - Bayesian Networks - Algorithmen - Adjustierung
Key words
directed acyclic graphs - DAG - causal diagrams - Bayesian networks - algorithms - adjustment
