directed acyclic graph
BL De Stavola | Causal modelling
Causal diagram——
Causal Directed Acyclic Graphs (DAG)

Causal graph models (Judea Pearl's framework)

13
（空气污染水平）
（性别）
Causal diagram——
Causal Directed Acyclic Graphs (DAG)
因果图的基本概念（causal diagrams）

（空气污染水平） （性别） 因果路（causal path）:是由一系列同向单 向箭头相继连接若干点而成的路。例如， A → C → D是因果路，而E ← C → D则不是因 果路。 （支气管反应） 祖先节点（ ancestor node ）和后代节点 （descendant node）: 在从变量X →...... →变 量Y的因果路中，变量X叫做变量Y的祖先节 点，而变量Y叫做变量X的后代节点。例如， （哮喘发作） （抗哮喘治疗） A、B、C均是E、D的祖先节点，而E、D则 引自：Greenland S. Epidemiology.1999;10(1):37-48 均是A、B、C的后代节点。
Acknowledgement
2
Introduction to strategies for causal inferences

Motivation in epidemiological resrarchs
BL De Stavola | Causal modelling
Introduction to strategies for causal inferences
Causal diagram——
Causal Directed Acyclic Graphs (DAG)
Denitions of causation in the statistical literature

Causal graph models (Judea Pearl's framework)
Elwert@. Version 5/2013 ng
Limitations – Don’t display the parametric assumptions that are often necessary for estimation in practice. – Generality can obscure important distinctions between 11 estimands.
Causal diagram——
Causal Directed Acyclic Graphs (DAG)

Causal diagram——Causal Directed Acyclic Graphs (DAG)
An Example: a causal diagram for gastroesophageal reflux(胃 食管反流) and esophageal disease（食管疾病）.
cause models ）：任何疾病涉及许多组合病因的 结合, 而这些病因成分的联合作用, 即充分病因 自身的群集效应。在解释一些复杂病因关系上, 具有很好的直观性和合理性, 是病因网说的一大 发展, 并具有一定的疾病防治意义。

结构方程病因模型（structural-equations
models）：主要是为了验证假设的因果关系，融 合了因素分析和路径分析的多元统计技术，整合 了由因子分析所代表的潜在变量研究模型与路径 分析所代表的传统线性因果关系模型，特别适于 定量因果关系的验证。
中国生物统计2016年学术年会导师讲坛（天津）
观察性研究中的因果推断方法(二)（30分钟）
因果推断的概率图模型
Fuzhong Xue (薛付忠)
山东大学 公共卫生学院 生物统计学系
Department of Biostatistics, School of Public Health Shandong University
BL De Stavola | Causal modelling
Causal diagram——
Causal Directed Acyclic Graphs (DAG)
Denitions of causation in the statistical literature
BL De Stavola | Causal modelling
2016.07.27(天津）
Outline
1 2 3 4
Introduction to strategies for causal inferences
Causal diagram——Directed Acyclic Graphs (DAG)
Causal Effect Identification -----in the Perspective of Causal diagram

Greenland S, et al. Int J Epidemiol. 2002;31(5):1030-7.
4
Introduction to strategies for causal inferences
因果推断的四种基本策略

充分/组合病因模型（ sufficient-component
Greenland S, et al. Int J Epidemiol. 2002;31(5):1030-7.
5
Introduction to strategies for causal inferences
Denitions of causation in the statistical literature
因果推断的四种基本策略
因果图病因模型（casual diagram）： 优 点是利用“图+概率”的方式直观清晰的表达变 量之间的时序关系、相关关系或因果关系等多种 语义，特别清晰地表达交互效应、效应修饰、中 介效应、混杂偏倚、选择偏倚和信息偏倚等多种 因果推断关键问题。缺点是主要适于分类变量间 的因果推断。 反事实病因模型（potential-outcome counterfactual) models）：我们只能得到个体 u受到干预的数据Yt，或者个体u没有受到干预的 数据Yc，但不能同时得到这两个数据。因此，在 没有假设的前提下，不可能在个体层面上进行因 果推断。方法是假设两个个体是相同的，采用人 工随机化或自然随机化方式分组，观察暴露与结 局的因果关系。优点是能定量分析因果关系。
Causal Directed Acyclic Graphs (DAG)

Causal graph models (Judea Pearl's framework)
BL De Stavola10 | Causal modelling
Causal diagram——
Causal Directed Acyclic Graphs (DAG)


Why DALeabharlann s?DAGs graphically represent non-parametric structural equation models. They may look like the path models of yore, but they are far more general.
S1
T R1
S2
R2
D2
R=reflux (反流) D1 S=symptoms（症状） I1 T=treatment（治疗） I=imaging（影像表型） D=esophagus status （食管病变） Ddx=diagnosed esophagus status （诊断） D1dx
I2
D2dx
Rigorous mathematical objects, support proofs • Very general (nonparametric) • For many purposes, DAGs are more accessible than potential outcomes notation – All pictures, no algebra – Focus attention on causal assumptions (language of applied scientists) – Great for deriving (nonparametric) identification results – Great for deriving the testable implications of a causal model – Intuition for understanding many problems in causal inference. – Particularly helpful for complex causal models

父母节点（parent node）和子女节点(child node)：连接变量X与变量Y的直
接因果路X → Y中的变量X叫做变量Y父母节点，而变量Y叫做变量X的子女节
点。例如，A、C是E的父母节点，而C、E是A的子女节点。
14
Causal diagram——
Causal Directed Acyclic Graphs (DAG)
示出来（未观察或测量）。通常，在 因果图中用带有虚线箭头的字母U表示 这些未加定义的共享祖先，U可能是多 个变量。
（抗哮喘治疗）
（支气管反应）
（哮喘发作）
引自：Greenland S. Epidemiology.1999;10(1):37-48