Causale diagrammen hebben een revolutie teweeggebracht in de manier waarop onderzoekers vragen: Wat is het causale effect van X op Y? Ze zijn een belangrijk hulpmiddel geworden voor onderzoekers die de effecten van behandelingen, blootstellingen en beleid bestuderen. Door veronderstellingen over de causale structuur van een probleem samen te vatten en te communiceren, hebben causale diagrammen geholpen schijnbare paradoxen te verduidelijken, gemeenschappelijke vooroordelen te beschrijven en aanpassingsvariabelen te identificeren. Als gevolg hiervan wordt een goed begrip van causale diagrammen steeds belangrijker in veel wetenschappelijke disciplines.

het eerste deel van deze cursus bestaat uit zeven lessen die causale diagrammen introduceren en de toepassingen ervan op causale gevolgtrekking. De eerste les introduceert causale DAGs, een soort causale diagrammen, en de regels die hen beheersen. De tweede, derde en vierde les gebruiken causale DAGs om gemeenschappelijke vormen van vooringenomenheid te vertegenwoordigen. De vijfde les maakt gebruik van causale dag ‘ s om tijd-variërende behandelingen en behandeling-confounder feedback weer te geven, evenals de bias van conventionele statistische methoden voor verstorende aanpassing. De zesde les introduceert SWIGs, een ander type causale diagrammen. De zevende les begeleidt leerlingen bij het construeren van causale diagrammen.

in het tweede deel van de cursus wordt een reeks casestudy ‘ s gepresenteerd die de praktische toepassingen van causale diagrammen op reële vragen uit de gezondheids-en sociale wetenschappen belichten.

Professor Photo Credit: Anders Ahlbom