G-Comp Builder
DAG-Import Β· G-Computation Β· Kontrafaktuale Vorhersage
Β© Dr. Rainer DΓΌsing Β· Interactive Tools by Claude

1 β€” DAG-Import

β„Ή Kein Golem Builder Import

2 β€” Modell & Formel

3 β€” Einstellungen

Workflow
1
Kausalmodell zuerst im Golem Builder β†— bauen: DAG zeichnen, Exposition & Outcome markieren, Adjustierungsset prΓΌfen, Totalen oder Direkten Effekt wΓ€hlen. Dann dort β†’ G-Comp Builder klicken β€” Formel, Adj.-Set, Effektart und DAG-Struktur werden automatisch hierher ΓΌbernommen.
2
Formel prΓΌfen und ggf. anpassen. Optionale Variablen (aus dem DAG: kann kontrolliert werden) per Klick hinzufΓΌgen. Random Effects und Modell-Typ eintragen.
3
Modell in R fitten: fit <- brm(Formel, data = dat, family = ...)
4
R-Code aus dem Ausgabefeld kopieren und in R ausfΓΌhren. Code aktualisiert sich live bei jeder Γ„nderung.
Validierung
  • β„ΉExposition und Outcome eingeben oder aus Golem Builder importieren.
G-Comp Builder β€” Hilfe
Was ist G-Computation?

G-Computation (kausale Standardisierung) schΓ€tzt, was im Durchschnitt passieren wΓΌrde, wenn wir alle Personen auf einen bestimmten Expositionswert setzen β€” im Gegensatz zu "welche Personen hatten diesen Wert tatsΓ€chlich".

marginaleffects-SchlΓΌsselkonzept: variables=list(X=val) setzt X fΓΌr jede Beobachtung auf val und mittelt ΓΌber alle Confounder-Verteilungen. Das ist echte Marginalisierung β€” kein "typical person".
BinΓ€re Exposition β€” Estimanden
ATE β‰  ATT β‰  ATU bei Effekt-HeterogenitΓ€t. Bei randomisierten Daten ohne Interaktionen sind sie gleich.
Metrische Exposition β€” AME & ate_k
AME und ate_k sind konzeptuell verschieden: AME ist ein Slope (pro Einheit), ate_k ist ein Gesamtkontrast (von–bis). Beide sind kausale Effekte wenn Confounding kontrolliert ist.
ate_k β€” Kontrast-Strings in marginaleffects
ATT/ATU-Analogon (metrisch)

FΓΌr metrische Expositionen gibt es kein natΓΌrliches "Behandelt/Unbehandelt". Das Analogon teilt die Population kΓΌnstlich an einem Cutoff (Standard: Median):

NΓΌtzlich um zu prΓΌfen, ob der Effekt fΓΌr bereits stark Exponierte anders ist als fΓΌr wenig Exponierte β€” Effekt-HeterogenitΓ€t auf der Expositionsachse.
Dosis-Wirkungs-Kurve

SchΓ€tzt E[Y | do(X=x)] fΓΌr 100 Werte von min bis max. Jeder Punkt ist ein echter G-Computation-SchΓ€tzer: die gesamte Population wird "auf X=x gesetzt" und der marginale Mittelwert berechnet.

ICE β€” Individuelle kausale Effekte

Individuelle Counterfactual Effects: Ο„Μ‚α΅’ = ΕΆα΅’(x_hi) βˆ’ ΕΆα΅’(x_lo). Zeigt HeterogenitΓ€t im kausalen Effekt ΓΌber Personen. Sortierung nach ΕΆα΅’(x_lo) β€” gleiche Zeile = gleiche Person in beiden Plots.

Workflow
  1. Kausalmodell im Golem Builder β†— bauen: DAG zeichnen, Adjustierungsset prΓΌfen, Totalen/Direkten Effekt wΓ€hlen β†’ β†’ G-Comp Builder klicken
  2. Formel, Adj.-Set, Effektart und DAG-Struktur kommen automatisch hier an (via localStorage) β€” Formel prΓΌfen, Modell in R fitten
  3. Code kopieren, Estimanden berechnen
  4. MCMC-Draws exportieren β†’ Decision Maker
Der Golem Builder identifiziert was kontrolliert werden muss, berechnet aber selbst keine EffektschΓ€tzer β€” das ΓΌbernimmt dieses Tool. Ohne Golem-Builder-Import funktioniert G-Comp Builder auch komplett manuell: Exposition/Outcome/Adj.-Set links selbst eintragen.
Nur Variablen aus dem Adj.-Set sind Pflicht in der Formel. Precisions-Kovariaten (Ursache von Y, nicht von X) kΓΆnnen sicher hinzugefΓΌgt werden β€” sie verringern die Varianz ohne Bias einzufΓΌhren.
WeiterfΓΌhrende Literatur

Cunningham (2021) β€” Causal Inference: The Mixtape