Preguntas etiquetadas con dag

Estoy empezando a incursionar con el uso de glmnetla LASSO regresión donde mi resultado de interés es dicotómica. He creado un pequeño marco de datos simulados a continuación: age <- c(4, 8, 7, 12, 6, 9, 10, 14, 7) gender <- c(1, 0, 1, 1, 1, 0, 1, 0, 0) …

78 r  self-study  lasso  regression  interpretation  anova  statistical-significance  survey  conditional-probability  independence  naive-bayes  graphical-model  r  time-series  forecasting  arima  r  forecasting  exponential-smoothing  bootstrap  outliers  r  regression  poisson-distribution  zero-inflation  genetic-algorithms  machine-learning  feature-selection  cart  categorical-data  interpretation  descriptive-statistics  variance  multivariate-analysis  covariance-matrix  r  data-visualization  generalized-linear-model  binomial  proportion  pca  matlab  svd  time-series  correlation  spss  arima  chi-squared  curve-fitting  text-mining  zipf  probability  categorical-data  distance  group-differences  bhattacharyya  regression  variance  mean  data-visualization  variance  clustering  r  standard-error  association-measure  somers-d  normal-distribution  integral  numerical-integration  bayesian  clustering  python  pymc  nonparametric-bayes  machine-learning  svm  kernel-trick  hyperparameter  poisson-distribution  mean  continuous-data  univariate  missing-data  dag  python  likelihood  dirichlet-distribution  r  anova  hypothesis-testing  statistical-significance  p-value  rating  data-imputation  censoring  threshold 

Dos variables aleatorias A y B son estadísticamente independientes. Eso significa que en el DAG del proceso: y, por supuesto, . ¿Pero eso también significa que no hay puerta de entrada de B a A?P ( A | B ) = P ( A )( A ⊥⊥ B)(A⊥⊥B)(A {\perp\!\!\!\perp} B)PAGS( …

40 independence  causality  bayesian-network  dag 

Los gráficos acíclicos dirigidos (DAG; por ejemplo, Groenlandia, et al, 1999) son parte de un formalismo de inferencia causal de la interpretación contrafáctica del campo de causalidad. En estos gráficos, la presencia de una flecha de la variable AAA a la variable BBB afirma que la variable AAA causa directamente …

17 interaction  causality  dag 

Los gráficos acíclicos dirigidos (DAG) son representaciones visuales eficientes de supuestos causales cualitativos en modelos estadísticos, pero ¿pueden usarse para presentar una ecuación variable de instrumento regular (u otras ecuaciones)? ¿Si es así, cómo? Si no, ¿por qué?

15 causality  instrumental-variables  dag 

Estoy estudiando modelos gráficos probabilísticos , un libro para el autoaprendizaje. ¿Los bordes en un gráfico acíclico dirigido (DAG) representan relaciones causales? ¿Qué sucede si quiero construir una red bayesiana , pero no estoy seguro de la dirección de las flechas en ella? Todos los datos me dirán las correlaciones …

13 causality  graphical-model  bayesian-network  dag 

Si quisiéramos calcular el efecto causal de sobre Y en el gráfico causal a continuación, podemos usar los teoremas de ajuste de puerta trasera y de puerta delantera, es decir, P ( y | do ( X = x ) ) = ∑ u P ( y | x , …

12 self-study  causality  graph-theory  dag 

Me refiero al ajuste de la puerta trasera y al ajuste de la puerta delantera aquí : Ajuste de puerta trasera : el problema epidemiológico arquetípico en las estadísticas es ajustar el efecto de un factor de confusión medido. El criterio de puerta trasera de Pearl generaliza esta idea. Ajuste …

12 causality  dag 

Si estoy interesado en los efectos causales del cambio en una variable (EEE) sobre algún resultado (OOO), ¿cómo representaría eso en un gráfico acíclico dirigido (DAG)? Suponer ΔE2=E2−E1ΔE2=E2−E1\Delta E_2 = E_2 - E_1, dónde E1E1E_1 Y E2E2E_2 ocurrirá en los momentos 1 y 2, sería un DAG correcto: 1. Suponiendo …

8 time-series  dag