Navigation und Service

Zielgruppeneinstiege

11.12.2018, Berlin: Kovariablen-Selektion für kausale Inferenz: verschiedene Ansätze im Vergleich

Anfang:
11.12.2018, 17:00 Uhr
Ende:
11.12.2018, 18:30 Uhr
Veranstaltungsort:
Robert Koch-Institut, Nordufer 20, 13353 Berlin, Hörsaal

Referent: Janine Witte (Leibniz-Institut für Präventionsforschung und Epidemiologie – BIPS, Bremen)

Zusammenfassung: "Kovariablen-Selektion kann verschiedene Ziele verfolgen. Soll ein kausaler Effekt geschätzt werden, sollten die Kovariablen in erster Linie danach ausgewählt werden, ob sie für Confounding adjustieren – hierin unterscheidet sich Kovariablen-Selektion für kausale Inferenz von Kovariablen-Selektion zur optimalen Vorhersage. Zusätzlich beeinflussen die gewählten Kovariablen aber auch die Effizienz des Schätzers, seine Robustheit gegenüber Modellmissspezifikation und die Interpretation des geschätzten Effekts – hier wiederum bestehen Ähnlichkeiten zur Selektion für Vorhersagen. Die Wahl der Selektionsstrategie hängt zudem davon ab, wie viel Vorwissen vorhanden ist und welche (parametrischen) Annahmen vertretbar sind. So ist es nicht verwunderlich, dass mittlerweile eine Vielzahl an teilweise sehr unterschiedlichen Ansätzen vorgeschlagen wurde, um Kovariablen zu selektieren. Darunter sind neben klassischen Modellwahlverfahren wie der schrittweisen Regression beispielsweise Kriterien, die allein auf Expertenwissen beruhen, und Machine-Learning-Algorithmen.

In diesem Vortrag werde ich sechs Klassen von Kovariablen-Selektionsmethoden vorstellen, die sich im Wesentlichen darin unterscheiden, welche Kovariablen sie unter idealen Bedingungen auswählen würden. Allen ist gemeinsam, dass sie auf kausale Annahmen angewiesen sind, die sich nicht empirisch überprüfen lassen. Ich werde auf Vor- und Nachteile eingehen und das unterschiedliche Verhalten der Methoden mit Hilfe von kausalen Diagrammen und Simulationen illustrieren. Meine Ergebnisse verdeutlichen, dass dieselbe Selektionsstrategie das Verhalten verschiedener Adjustierungsmethoden (z.B. lineare Regression, Matching, Propensity-Score-Weighting) unterschiedlich beeinflussen kann. Selektionsmethode und Adjustierungsmethode sollten daher immer in Kombination betrachtet werden."

Zusatzinformationen

Gesundheitsmonitoring

In­fek­ti­ons­schutz

Forschung

Kom­mis­sio­nen

Ser­vice

Das Robert Koch-Institut ist ein Bundesinstitut im Geschäftsbereich des Bundesministeriums für Gesundheit

© Robert Koch-Institut

Alle Rechte vorbehalten, soweit nicht ausdrücklich anders vermerkt.