umu.sePublikationer
Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
On Associative Confounder Bias
Umeå universitet, Samhällsvetenskapliga fakulteten, Handelshögskolan vid Umeå universitet, Statistik.ORCID-id: 0000-0003-1654-9148
2015 (Engelska)Ingår i: Thirteenth Scandinavian Conference on Artificial Intelligence / [ed] Sławomir Nowaczyk, 2015, Vol. 278, s. 157-166Konferensbidrag, Publicerat paper (Refereegranskat)
Abstract [en]

Conditioning on some set of confounders that causally affect both treatmentand outcome variables can be sufficient for eliminating bias introduced by allsuch confounders when estimating causal effect of the treatment on the outcomefrom observational data. It is done by including them in propensity score modelin so-called potential outcome framework for causal inference whereas in causalgraphical modeling framework usual conditioning on them is done. However inthe former framework, it is confusing when modeler finds a variable that is noncausallyassociated with both the treatment and the outcome. Some argue that suchvariables should also be included in the analysis for removing bias. But others arguethat they introduce no bias so they should be excluded and conditioning onthem introduces spurious dependence between the treatment and the outcome, thusresulting extra bias in the estimation. We show that there may be errors in boththe arguments in different contexts. When such a variable is found neither of theactions may give the correct causal effect estimate. Selecting one action over theother is needed in order to be less wrong.We discuss how to select the better action.

Ort, förlag, år, upplaga, sidor
2015. Vol. 278, s. 157-166
Serie
Frontiers in Artificial Intelligence and Applications, ISSN 0922-6389 ; 278
Nyckelord [en]
causal effect estimation, confounder selection, graphical models
Nationell ämneskategori
Sannolikhetsteori och statistik
Forskningsämne
statistik
Identifikatorer
URN: urn:nbn:se:umu:diva-111981DOI: 10.3233/978-1-61499-589-0-157ISBN: 978-1-61499-588-3 (tryckt)ISBN: 978-1-61499-589-0 (tryckt)OAI: oai:DiVA.org:umu-111981DiVA, id: diva2:874836
Konferens
Thirteenth Scandinavian Conference on Artificial Intelligence
Forskningsfinansiär
Forte, Forskningsrådet för hälsa, arbetsliv och välfärd, 2010-0592Tillgänglig från: 2015-11-29 Skapad: 2015-11-29 Senast uppdaterad: 2018-06-07Bibliografiskt granskad

Open Access i DiVA

fulltext(149 kB)81 nedladdningar
Filinformation
Filnamn FULLTEXT02.pdfFilstorlek 149 kBChecksumma SHA-512
2188f55de0caaeba45c49ee8461a4cb8c2e742b6913c99e4e741f0f35ba83cf1c9a6d8006cbab9554f2d195e12f9d5507f5be1b2096e5534f8f0f8e4d95540fc
Typ fulltextMimetyp application/pdf

Övriga länkar

Förlagets fulltext

Personposter BETA

Wijayatunga, Priyantha

Sök vidare i DiVA

Av författaren/redaktören
Wijayatunga, Priyantha
Av organisationen
Statistik
Sannolikhetsteori och statistik

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 81 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

doi
isbn
urn-nbn

Altmetricpoäng

doi
isbn
urn-nbn
Totalt: 327 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf