Colisionador (estadísticas)

Un  colisionador es una variable en estadísticas y diagramas causales que se ve afectada por dos o más variables. El nombre "colisionador" refleja el hecho de que en los modelos gráficos las flechas de las variables que conducen al colisionador "colisionan" en el nodo , que es el colisionador [1] . A veces, los colisionadores también se denominan horquillas invertidas [2] .

Las variables causales que afectan al colisionador no están necesariamente relacionadas. Si no están conectados, el colisionador no está protegido . De lo contrario, el colisionador está protegido y forma parte de un triángulo (ver figura) [3] .

Si hay un colisionador en la ruta , bloquea la conexión entre las variables que lo afectan [4] [5] [6] . Así, el colisionador no crea una relación incondicional entre las variables que lo afectan.

Contabilizar un colisionador en condiciones problemáticas mediante análisis de regresión , estratificación , diseño experimental o muestreo basado en valores del colisionador crea una relación causal falsa entre X e Y ( paradoja de Berkson ). En la terminología de los grafos causales, tener en cuenta el colisionador abre el camino entre X e Y. Esto conlleva un error sistemático al evaluar la relación causal entre X e Y , introduciendo una relación causal donde no la hay. Por lo tanto, los colisionadores pueden afectar negativamente la verificación de la teoría causal.

Los colisionadores a veces se confunden con variables entrelazadas . A diferencia de los colisionadores, las variables de confusión deben tenerse en cuenta al evaluar la causalidad.

Véase también

Notas

  1. ↑ Hernan, Miguel A. & Robins, James M. (2010), Causal inference , Chapman & Hall/Monografías CRC sobre estadística y probabilidad aplicada, CRC, p. 70, ISBN 978-1-4200-7616-5 
  2. ↑ Julia M. Rohrer. Pensando claramente en las correlaciones y la causalidad: modelos causales gráficos para datos observacionales . PsyArXiv (2 de julio de 2018). doi : 10.31234/osf.io/t3qub . Consultado el 9 de diciembre de 2021. Archivado desde el original el 20 de noviembre de 2020.
  3. ↑ Ali, R. Ayesha (2012). “Hacia la caracterización de las 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 . Archivado desde el original el 19 de enero de 2022 . Consultado el 14 de diciembre de 2020 . Parámetro obsoleto utilizado |deadlink=( ayuda )
  4. ↑ Groenlandia, Sander; Pearl, Judea & Robins, James M. (enero de 1999), Causal Diagrams for Epidemiologic Research , Epidemiology vol 10 (1): 37–48, ISSN 1044-3983 , OCLC 484244020 , PMID 9888278 , doi : 10.1097/00001648-19990100 -00008 , < http://www.epidemiology.ch/history/PDF%20bg/Greenland,%20Pearl%20and%20Robins%201999%20causal%20diagrams%20for%20epidemiologic%20research.pdf > Archivado el 3 de marzo de 2016 en Wayback Máquina 
  5. ↑ Perla, Judea (1986). “Fusión, Propagación y Estructuración en Redes de Creencias”. inteligencia artificial 29 (3): 241-288. DOI : 10.1016/0004-3702(86)90072-x .
  6. ↑ Perla, Judea. Razonamiento probabilístico en sistemas inteligentes: redes de inferencia plausible . —Morgan Kaufmann, 1988.