Questions marquées «confounding»

Dans les modèles statistiques, on dit qu'il y a confusion lorsque la dépendance apparente de la réponse à un prédicteur est partiellement ou entièrement due à la dépendance des deux à une troisième variable non incluse dans le modèle, ou à une dépendance à une combinaison linéaire d'autres variables incluses dans le modèle. La confusion avec une variable incluse dans un modèle est souvent appelée multicollinéarité. Un synonyme est * aliasing *, utilisé dans la conception des expériences.

5
Comment exactement "contrôler pour d'autres variables"?
Voici l'article qui a motivé cette question: L'impatience fait-elle grossir? J'ai aimé cet article et il illustre bien le concept de «contrôle des autres variables» (QI, carrière, revenu, âge, etc.) afin de mieux isoler la relation réelle entre les deux variables en question. Pouvez-vous m'expliquer comment vous contrôlez réellement les …
1
Confondeur - définition
Selon M. Katz dans son livre Multivariable analysis (Section 1.2, page 6), " Un facteur de confusion est associé au facteur de risque et lié de manière causale au résultat. " Pourquoi le facteur de confusion doit-il être lié de manière causale au résultat? Serait-il suffisant que le confondant soit …
4
Pourquoi l'appariement des scores de propension fonctionne-t-il pour l'inférence causale?
L'appariement par score de propension est utilisé pour faire des inférences causales dans les études observationnelles (voir l'article de Rosenbaum / Rubin ). Quelle est l'intuition simple derrière pourquoi cela fonctionne? En d'autres termes, pourquoi si nous nous assurons que la probabilité de participer au traitement est égale pour les …
3
Quels exemples de variables cachées dans les expériences contrôlées existe-t-il dans les publications?
Dans cet article: Variables cachées: quelques exemples Brian L. Joiner The American Statistician Vol. 35, n ° 4, nov., 1981 227-233 Brian Joiner affirme que "la randomisation n'est pas une panacée". Ceci est contraire aux déclarations courantes telles que celle ci-dessous: Une expérience bien conçue comprend des caractéristiques de conception …
2
Est-il possible d'avoir une variable qui agit à la fois comme modificateur d'effet et comme facteur de confusion?
Est-il possible d'avoir une variable qui agit à la fois comme modificateur d'effet (mesure) et comme facteur de confusion pour une paire donnée d'associations risque-résultat? Je suis encore un peu incertain de la distinction. J'ai regardé la notation graphique pour m'aider à comprendre la différence, mais les différences de notation …
1
Pourquoi Anova () et drop1 () ont-ils fourni des réponses différentes pour les GLMM?
J'ai un GLMM du formulaire: lmer(present? ~ factor1 + factor2 + continuous + factor1*continuous + (1 | factor3), family=binomial) Lorsque j'utilise drop1(model, test="Chi"), j'obtiens des résultats différents de ceux que j'utilise à Anova(model, type="III")partir du package de voiture ou summary(model). Ces deux derniers donnent les mêmes réponses. En utilisant un …
10 r  anova  glmm  r  mixed-model  bootstrap  sample-size  cross-validation  roc  auc  sampling  stratification  random-allocation  logistic  stata  interpretation  proportion  r  regression  multiple-regression  linear-model  lm  r  cross-validation  cart  rpart  logistic  generalized-linear-model  econometrics  experiment-design  causality  instrumental-variables  random-allocation  predictive-models  data-mining  estimation  contingency-tables  epidemiology  standard-deviation  mean  ancova  psychology  statistical-significance  cross-validation  synthetic-data  poisson-distribution  negative-binomial  bioinformatics  sequence-analysis  distributions  binomial  classification  k-means  distance  unsupervised-learning  euclidean  correlation  chi-squared  spearman-rho  forecasting  excel  exponential-smoothing  binomial  sample-size  r  change-point  wilcoxon-signed-rank  ranks  clustering  matlab  covariance  covariance-matrix  normal-distribution  simulation  random-generation  bivariate  standardization  confounding  z-statistic  forecasting  arima  minitab  poisson-distribution  negative-binomial  poisson-regression  overdispersion  probability  self-study  markov-process  estimation  maximum-likelihood  classification  pca  group-differences  chi-squared  survival  missing-data  contingency-tables  anova  proportion 
3
Comment effectuer une SVD pour imputer des valeurs manquantes, un exemple concret
J'ai lu les excellents commentaires sur la façon de traiter les valeurs manquantes avant d'appliquer SVD, mais j'aimerais savoir comment cela fonctionne avec un exemple simple: Movie1 Movie2 Movie3 User1 5 4 User2 2 5 5 User3 3 4 User4 1 5 User5 5 1 5 Étant donné la matrice …
8 r  missing-data  data-imputation  svd  sampling  matlab  mcmc  importance-sampling  predictive-models  prediction  algorithms  graphical-model  graph-theory  r  regression  regression-coefficients  r-squared  r  regression  modeling  confounding  residuals  fitting  glmm  zero-inflation  overdispersion  optimization  curve-fitting  regression  time-series  order-statistics  bayesian  prior  uninformative-prior  probability  discrete-data  kolmogorov-smirnov  r  data-visualization  histogram  dimensionality-reduction  classification  clustering  accuracy  semi-supervised  labeling  state-space-models  t-test  biostatistics  paired-comparisons  paired-data  bioinformatics  regression  logistic  multiple-regression  mixed-model  random-effects-model  neural-networks  error-propagation  numerical-integration  time-series  missing-data  data-imputation  probability  self-study  combinatorics  survival  cox-model  statistical-significance  wilcoxon-mann-whitney  hypothesis-testing  distributions  normal-distribution  variance  t-distribution  probability  simulation  random-walk  diffusion  hypothesis-testing  z-test  hypothesis-testing  data-transformation  lognormal  r  regression  agreement-statistics  classification  svm  mixed-model  non-independent  observational-study  goodness-of-fit  residuals  confirmatory-factor  neural-networks  deep-learning 
2
Biais sur-appariés et variables confondantes
Si je comprends bien, l'appariement est un moyen d'identifier la causalité dans les études d'observation. En faisant correspondre des observations qui sont «similaires» et en comparant celles qui ont reçu ou non un traitement, vous pouvez considérer cela comme une sorte de quasi-expérience. Qu'est-ce que l'overmatching? Quel genre de parti …
En utilisant notre site, vous reconnaissez avoir lu et compris notre politique liée aux cookies et notre politique de confidentialité.
Licensed under cc by-sa 3.0 with attribution required.