Zusammenfassung
Kausale Graphen wie die gerichteten, azyklischen Graphen (engl.: directed acyclic graphs, DAGs) finden in der Epidemiologie zunehmend Anwendung zur Konzeptualisierung von
Confounding und weiteren Quellen von Bias. Ein DAG ist ein geeignetes Hilfsmittel,
um basierend auf apriori-Wissen die Zusammenhänge zwischen der Exposition von Interesse
und dem Outcome unter Berücksichtigung verschiedener Kovariaten zu visualisieren.
Durch die Anwendung formaler Regeln können die kausalen und nicht-kausalen Strukturen
identifiziert werden. Durch geeignete Adjustierung können kausale und nicht-kausale
Effekte der Exposition auf das Outcome voneinander getrennt werden. Die Identifizierung
der geeigneten Adjustierungsmengen ist abhängig von den Beziehungen der Variablen
untereinander. Die Berücksichtigung dieser Beziehungen ist wichtig, um nicht für mehr
Kovariaten als notwendig zu adjustieren. Die Folge könnte die Einführung von zusätzlichem
Bias sein. Durch Betrachtung der einzelnen Pfade eines DAGs werden die kausalen Strukturen
systematisch identifiziert, um minimal suffiziente Adjustierungsmengen an Kovariaten
zu erhalten, die eine möglichst unverzerrte Effektschätzung basierend auf dem zugrunde
liegenden Graphen ermöglicht. Das Ziel dieses Beitrages ist eine Einführung in die
Grundbegriffe der kausalen Graphen und die Illustration der Anwendungsschritte zur
Ableitung von suffizienten Adjustierungsmengen.
Abstract
Causal graphs such as directed acyclic graphs (DAGs) are a novel approach in epidemiology
to conceptualize confounding and other sources of bias. DAGs visually encode the causal
relations based on a priori knowledge among the exposure of interest and the outcome
while considering several covariates. The application of formal rules on these diagrams
enables the identification of the causal and non-causal structures in the DAG. The
causal effects are of interest and require no adjustment. Whereas the non-causal effects
have to be checked for confounding and for which covariates adjustment is necessary.
The identification of the adjustment set depends on the causal relations among the
variables. The consideration of these relations is valuable because adjusting for
more variables increases the risk of introducing bias. Considering every single path
of a DAG allows the systematic identification of the causal structures in the DAG,
and the determination of minimally sufficient adjustment sets for estimating the causal
effect of the exposure on the outcome based on the underlying DAG. The aim of this
paper is to provide an introduction to the basic assumptions as well as the steps
for drawing and applying a DAG.
Schlüsselwörter
kausaler Graph - DAG - Confounding - Kausalität - Bias - minimal suffiziente Adjustierungsmenge
Key words
causal diagram - DAG - confounding - causality - bias - conditioning - minimally sufficient
adjustment set
