问题标签 [causality]

我尝试拟合 ARIMAX 模型来确定遏制措施（使用政府响应严格度指数，数字从 0 到 100）是否对每日新增病例率有显着影响。我还想添加测试率。我在 R 中编写了所有内容（每个 ts 都是固定的，...）并进行了 Granger 因果关系检验。结果：Pr(>F)大于 0.05。因此NO Granger因果关系的原假设可以被拒绝，新病例率和遏制措施具有反向因果关系。是否有可能转换变量“严格指数”并继续使用 ARIMAX 模型？如果是这样，如何在 R 中做到这一点？

我了解矢量时钟仅提供部分顺序。所以你不能直接对它们进行排序。出于这个原因，您对并发向量使用 tie-breaker，从而产生一个总顺序。

然而，对矢量时钟进行排序，以使结果列表中的每个原因都出现在结果列表中的每个结果之前似乎不起作用，我也不完全明白为什么。

我有大量的测试表明比较两个向量是有效的：

但是，当对向量时钟列表进行排序时，例如一个具有两个向量的向量时钟，该向量具有发生前的关系，而第三个向量与其他两个向量同时发生，可能会发生只有并发的一个向量与其他两个向量进行比较，以及依赖的向量互不相提并论。相反，他们的顺序是（错误地）由决胜局决定的：

打印（并失败）：

造成这种情况的根本原因是什么？这通常是不可能的还是有错误？

我是因果推理领域的新手，我正试图弄清楚一些事情。我正在关注dowhy 库文档 ( https://microsoft.github.io/dowhy/example_notebooks/dowhy_ihdp_data_example.html ) 中的这段代码。

我的问题如下：在基于一些初始数据定义因果模型之后，是否有可能获得新数据并找出最适合（针对每个婴儿）的治疗方法，以便获得最佳结果？

谢谢！

I have read the paper " Adapting Neural Networks for the Estimation of Treatment Effects", which suggests a neural network architecture called Dragonnet for the estimation of treatment effects. https://papers.nips.cc/paper/2019/file/8fb5f8be2aa9d6c64a04e3ab9f63feee-Paper.pdf

Dragonnet is based on the theorem of sufficiency of propensity scores. I understand what the theorem is about, it says conditioning on propensity score is sufficient to block all the back door paths. When I think about dragonnet structure, it totally makes sense. However, I was thinking that conditional average treatment effect(CATE) is not only about the heterogeneous subgroups in a confounding variable set but also there might be other variables which are not confounding but somehow different values of that variable may create different treatment effects.

Let's assume that we have a variable 'sex', which is not a confounding variable. Let us also assume that female and male people have different treatment effects. Therefore, if I want to calculate CATE, then wouldn't it make sense to condition also on the variable 'sex' beside the confounding variables? I don't think that this is the case with dragonnet. Therefore I get a bit confused because dragonnet claims that variables which don't affect the treatment assignment are not relevant for treatment effect estimation.

What I would like to ask is that, if I only condition on propensity score to predict CATE, wouldn't I ignore the effect modification which is created by variables which are not confounding?

我开始使用这个pcalg包，我对功能有一些疑问，pdag2allDags并且addBgKnowledge：

我正在使用 gmG包提供的示例数据

我想获得所有等效的 DAG。从文档中，它应该使用该功能pdag2allDags（从这里）工作。我们应该只需要获取amat（相邻的矩阵）数据。

根据文档上的规范，我认为以下应该可以工作......

但是，相反，它返回：

sqrt(ncol(res$dags)) 中的错误：数学函数的非数字参数

我们还在 s 对象中看到amat了fci'。所以，我尝试了：

它也返回相同的：

sqrt(ncol(res$dags)) 中的错误：数学函数的非数字参数

但如果我使用该pc算法，它会起作用：

到底是怎么回事？是不是pdag2allDags打算处理所有amat对象（pc、fci、rfci 等）？我无法...allDags在文档中找到任何其他功能。如何从fci函数的输出中获取所有等效的 DAG？

函数也是如此addBgKnowledge。它适用于pc：

但不是为了fci，甚至文档说它使用amat

它提供：

h(simpleError(msg, call)) 中的错误：在为函数“plot”选择方法时评估参数“x”时出错：参数不是矩阵

这是一个一般的统计问题。假设我有一个由多个时间序列组成的集合，我想找到具有相关性的对。做到这一点的唯一方法是逐一比较每一对吗？这似乎不太方便，因为 set 可能非常大。

到目前为止，在 causalnex 包中，我只遇到过由数据构建的贝叶斯网络。我想知道如何使用我的节点参数和专业知识的 CPD 创建自己的网络。有人对它有一些参考或示例吗？

我正在尝试在 r 中绘制结构方程模型（SEM）的路径图。我能够使用 semPlot::semPaths() 绘制它。输出类似于SEM 是使用 lavaan 包建模的。

我想要一个类似于 的情节。带有估计值和 p 值。谁能帮我吗。提前致谢。

我最近遇到了 pycausalimpact。

https://pypi.org/project/pycausalimpact/

该通用代码在给定示例中运行良好。现在，我正在尝试在该 pycausalimpact 示例中运行我自己的数据，如下所示。

我正在努力的部分在这里：

我需要如何准备“数据”、“pre_period”和“post_period”，以便在我的特定数据集中工作？这是我的一些实际数据。

y =

X =

基本上，我想看看自变量和因变量（天）之间是否存在某种因果关系。或者......是否有更好/替代的方法来确定和衡量因果关系？谢谢。

我正在使用 SEM 在 lavaan 中进行路径分析。我的因变量：WI（财富指数），有 5 个类别，我为每个类别（0/1）创建了虚拟变量。我的中介变量：Intake，是一个连续变量。我的因变量：Status，二元变量（0/1） 我想计算 WI 对 Status 的直接和间接影响。是间接影响= (-.39-.21-.74-.55)*(-.01)

如果 WI 是第二个图中的连续变量，那么直接效应 = 0.55*(-0.01)