Zusammenfassung
Samenvatting Lecture 13
- Kurs
- Hochschule
College van statistiek en methoden, helemaal compleet inclusief plaatjes.
[ Mehr anzeigen ]vorschau 2 aus 14 Seiten
Vorschau 2 aus 14 Seiten
In den Einkaufswagen
In den Einkaufswagen
Verkäufer
Folgen
liekejanssen11
Deine Reviews
Inhaltsvorschau
Lecture 13: causality and causalinference
Causaliteit
Causaliteit is als je onderzoek doet wil je een oorzaak van gevolg onderscheiden, dit is vaak lasting.
Causaliteit is dat er een relatie is dat de reden is voor wat er gebeurt, niks gebeurd zonder oorzaak.
Causatie is een proces waarbij het ene het andere veroorzaakt, wat is nu oorzaak en wat is gevolg?
Met name in analytisch onderzoek zoals cross-sectionieel onderzoek, bij clinimetrisch onderzoek
doet zoals de betrouwbaarheid van meetinstrumenten dan is causaliteit niet relevant.
Een ‘cause’ is een gebeurtenis, conditie of kenmerk dat:
Speelt een essentiële rol in het produceren van een effect
Het moet voorafgaan aan het gevolg
Als het er niet was geweest dan was de uitkomst niet uitgetreden (op dat moment)
Een oorzaak hoeft dus niet één ding te zijn, het kan een ophoping van gebeurtenissen zijn of
combinaties van genetische aanleg en gebeurtenissen, het is een brede definitie.
Een causaal effect is een effect op een bepaalde gezondheidsuitkomst dat de oorzaak is of preventief
voor het effect.
Individueel causaal effect deterministisch
Lastig te onderzoeken, uitkomst gebeurt wel of gebeurt niet in een individu.
Populatie causaal effect probabilistisch
Frequentie (of kans) van de gebeurtenis van de uitkomst in een groep individuen
Associatie versus Causatie
Associatie = epidemiologisch onderzoek bestudeer je blootstellingen/risicofactor en je bekijkt of de
uitkomst in populaties veranderd of niet, je kijkt dan bijvoorbeeld naar twee verschillende groepen
die wel/niet zijn blootgesteld. De onderliggende vraag is, is de blootstelling de oorzaak van een
bepaald effect? Is er een relatie tussen blootstelling en uitkomst? Er is sprake van een associatie als
er een verschil is tussen de twee groepen die je vergelijkt, je kan het uitdrukken in RR, OR,
risicoverschillen etc. Als je een associatie vind, is dit dan valide, of wordt het veroorzaakt door toeval
of bias? Daarom ga je altijd eerst opzoek naar alternatieve verklaringen voor de uitkomst die je vind.
Hierna kijk je of de associatie die je hebt gevonden ook causaal is, dit is een beredeneringsproces of
inference gebaseerd op meerdere studies.
Vs.
Causatie = heeft de maken met kansen. Je moet enorm veel onderzoek doen om te kunnen bewijzen
dat er sprake is van causatie, er is altijd enige twijfel bij epidemiologisch onderzoek. Causatie is
namelijk ook context afhankelijk, het hangt af van tijd, populatie en situatie.
Causatie is object van het meeste epimediologische onderzoek en wetenschappelijk
redeneren
Causatie is de fundering van de meeste evidence-based geneeskunde en
gezondheidspraktijken
Causatie is de basis voor beleidmakers betreft onderzoek en gezondheidsbronnen
Modellen van causaliteit
COUNTERFACTUAL MODEL
, Deze manier van denken hebben wij eigenlijk allemaal. Het is het denken in hypothetische
contrasten. Als je denkt aan een oorzaak dan denk je altijd aan de situatie waarin de oorzaak er niet
was geweest. ‘Als de trein geen vertraging had, was ik wel optijd geweest’. Welk contrast je kiest,
bepaalt ook je antwoord (the truth maker) van de causale relatie. Het bepaald of je kan concluderen
het is een oorzaak gevolg of niet.
Het heet ook wel eens het potentieel uitkomst model, omdat in een simpele situatie er twee
mogelijke uitkomsten zijn op individueel niveau:
Factual/observeerbare uitkomst
iemand is wel/niet blootgesteld en wel/niet de uitkomst. Wat heeft plaatsgevonden in ‘the
real world’?
Counterfactual/onobserveerbare uitkomst
Iets wat je niet kan observeren, iemand is niet blootgesteld en heeft niet de uitkomst
gekregen. Had iemand wel de uitkomst gekregen als diegene niet was blootgesteld. Wat zou
hebben plaatsgevonden in de ‘parallele universe’?
Individueel niveau causaal effect volgens dit model:
- Voor een dichotome bloostelling X en uitkomst Y
Je kijkt naar individu(i) op een fixed time en iemand kan wel/niet (x=0 of x=1) blootgesteld
zijn en kan mogelijk wel/niet de uitkomst hebben (y=1 of y=0). Wanneer is er dan sprake van
een causaal effect op individueel niveau? Als de uitkomst optreed in de ene situatie, waar de
persoon wel is blootgesteld, maar niet zou optreden in dezelfde persoon op dezelfde tijd, als
de persoon niet blootgesteld zou zijn geweest. Dus als uitkomsten verschillen in deze
situatie, dan is er sprake van causatie. Dit is hoe iedereen standaard denkt over oorzaak-
gevolg relaties.
Het probleem bij individueel niveau is dat er maar één situatie is, iemand kan niet wel en niet
roken tegelijkertijd. Op individueel niveau zijn er daarin 4 counterfactual subtypes mogelijk:
o Doomed Iemand heeft uitkomst (y=1) bij blootstelling en niet blootstelling (x=1 &
x=0)
o Causative uitkomst (y=1) hebben als je bent blootgesteld (x=1) maar niet uitkomst
(y=0) als je niet bent blootgesteld (x=0)
o Preventief uitkomst heb je wel (y=1) als je niet blootgesteld bent (x=0), maar niet
de uitkomst als je wel blootgesteld bent
o Immuun Nooit de uitkomst krijgen (y=0), zowel wel als niet blootgesteld (x=1
&x=0)
Alleen bij causative en preventief is er sprake van een causaal effect op de uitkomst!!
Populatie niveau causaal effect volgens dit model:
Individueel causaal effect is niet te observeren, maar je kan het populatie gemiddelde schatten! Je
kan dan het proportie van het aantal individuen die de uitkomst krijgen bepalen (Pr[yi=1]).
- Voor een dichotome bloostelling X en uitkomst Y
Alle Vorteile der Zusammenfassungen von Stuvia auf einen Blick:
Garantiert gute Qualität durch Reviews
Stuvia Verkäufer haben mehr als 700.000 Zusammenfassungen beurteilt. Deshalb weißt du dass du das beste Dokument kaufst.
Schnell und einfach kaufen
Man bezahlt schnell und einfach mit iDeal, Kreditkarte oder Stuvia-Kredit für die Zusammenfassungen. Man braucht keine Mitgliedschaft.
Konzentration auf den Kern der Sache
Deine Mitstudenten schreiben die Zusammenfassungen. Deshalb enthalten die Zusammenfassungen immer aktuelle, zuverlässige und up-to-date Informationen. Damit kommst du schnell zum Kern der Sache.
Häufig gestellte Fragen
Was bekomme ich, wenn ich dieses Dokument kaufe?
Du erhältst eine PDF-Datei, die sofort nach dem Kauf verfügbar ist. Das gekaufte Dokument ist jederzeit, überall und unbegrenzt über dein Profil zugänglich.
Zufriedenheitsgarantie: Wie funktioniert das?
Unsere Zufriedenheitsgarantie sorgt dafür, dass du immer eine Lernunterlage findest, die zu dir passt. Du füllst ein Formular aus und unser Kundendienstteam kümmert sich um den Rest.
Wem kaufe ich diese Zusammenfassung ab?
Stuvia ist ein Marktplatz, du kaufst dieses Dokument also nicht von uns, sondern vom Verkäufer liekejanssen11. Stuvia erleichtert die Zahlung an den Verkäufer.
Werde ich an ein Abonnement gebunden sein?
Nein, du kaufst diese Zusammenfassung nur für $4.46. Du bist nach deinem Kauf an nichts gebunden.
Kann man Stuvia trauen?
4.6 Sterne auf Google & Trustpilot (+1000 reviews)
45.681 Zusammenfassungen wurden in den letzten 30 Tagen verkauft
Gegründet 2010, seit 15 Jahren die erste Adresse für Zusammenfassungen
Kürzlich von dir angesehen
Notizen ·
powerplant
Zusammenfassung ·
PR3
Zusammenfassung ·
ZSO4
Zusammenfassung ·
ZSO7
