G-Comp Builder — Kausale G-Computation

G-Comp Builder

DAG-Import · G-Computation · Kontrafaktuale Vorhersage

Fertigen R-Code für eigene G-Computation generieren — DAG aus dem Golem Builder importieren, Modell anpassen, MCMC-Draws direkt in den Decision Maker exportieren.

Worum geht es hier?

Du hast eine kausale Frage („Wirkt X auf Y?") und ein Modell im Kopf — G-Comp Builder macht daraus fertigen, kommentierten R-Code für G-Computation: von der Modellformel bis zu den kontrafaktischen Vorhersagen für ATE, ATT und ATU. Das Tool rechnet nicht selbst, sondern baut dir den Code, den du in deinem eigenen brms-Workflow ausführst. Anders als der Causal Calculator (geführtes Beispiel mit simulierten Daten) ist es für deine eigene Analyse gedacht.

Die Idee dahinter

G-Computation (kausale Standardisierung) beantwortet die Frage: Was wäre im Durchschnitt passiert, wenn alle Personen die Exposition gehabt hätten — und was, wenn keine? Das geht in drei Schritten: Erstens fittest du ein Modell für das Outcome mit Exposition und Confoundern. Zweitens sagst du das Outcome für jede Person zweimal vorher — einmal mit der Exposition auf dem Referenzwert, einmal auf dem Treatment-Wert (die „zwei Welten"). Drittens mittelst du die Differenz über die Personen — je nach Estimand über alle (ATE), nur die Exponierten (ATT) oder nur die Nicht-Exponierten (ATU). Weil dein Modell ein Bayes-Modell ist, passiert das für jeden Posterior-Draw: Am Ende steht eine ganze Verteilung des kausalen Effekts.

So gehst du vor

① DAG-Import: Der Golem Builder klärt, welche Variablen du kontrollieren musst. Übernimm Exposition, Outcome und Adjustierungsset von dort — oder trage sie von Hand ein. Ein Banner zeigt, ob ein Import vorliegt; per Button lässt er sich neu laden.
② Modell & Formel: Die Formel wird aus dem DAG vorgeschlagen und ist direkt editierbar; optionale Variablen aus dem DAG kannst du per Klick ergänzen. Wurde ein Mediator erkannt, wählst du zwischen totalem Effekt (Mediator nicht im Modell: X→M→Y plus X→Y) und direktem Effekt (Mediator im Modell: nur X→Y). Dazu Random Effects, Modell-Typ (brms, glmmTMB, lm/glm), Family sowie Namen von Modell-Objekt und Dataframe.
③ Einstellungen: Ist die Exposition binär oder metrisch? Binär: Referenz- und Treatment-Wert, Estimanden (ATE / ATT / ATU, optional konditional auf einen Moderator, um Effekt-Heterogenität zu sehen). Metrisch: Hier gibt es kein natürliches „behandelt / unbehandelt" — du wählst einen Kontrast (Min→Max, Q1→Q3, ±1 SD oder manuell) und ein künstliches ATT/ATU-Analogon über einen Cutoff (Median oder eigener Wert). Beachte den Unterschied zwischen AME (Effekt pro Einheit, ein Slope) und dem Kontrast von–bis.
④ R-Code kopieren: Der Code im Ausgabefeld aktualisiert sich live. Fitte dein Modell in R (brm(...)), führe den Code aus — er nutzt marginaleffects, setzt die Exposition für alle Personen auf den jeweiligen Wert und mittelt über die Confounder.

Was das Tool nicht für dich klärt

Der Code ist nur so kausal wie dein DAG: Er setzt voraus, dass alle relevanten Confounder gemessen sind, dass in jeder Confounder-Ausprägung Exponierte und Nicht-Exponierte vorkommen (Overlap) und dass das Modell die Daten ordentlich beschreibt. Die Validierungsbox prüft nur die formale Konsistenz von Exposition, Outcome und Adjustierungsset — nicht, ob dein DAG inhaltlich stimmt.

Und danach?

Der Code exportiert die MCMC-Draws von ATE/ATT/ATU als CSV — auf der Response-Skala, also direkt interpretierbar. Lade sie in den Decision Maker, um mit HDI/ETI/ROPE eine begründete Entscheidung abzuleiten.

G-Comp Builder — Hilfe

Was ist G-Computation?

G-Computation (kausale Standardisierung) schätzt, was im Durchschnitt passieren würde, wenn wir alle Personen auf einen bestimmten Expositionswert setzen — im Gegensatz zu "welche Personen hatten diesen Wert tatsächlich".

marginaleffects-Schlüsselkonzept: variables=list(X=val) setzt X für jede Beobachtung auf val und mittelt über alle Confounder-Verteilungen. Das ist echte Marginalisierung — kein "typical person".

Binäre Exposition — Estimanden

ATE (Average Treatment Effect): E[Y(1)−Y(0)] — Effekt in der Gesamtpopulation.
ATT (on the Treated): E[Y(1)−Y(0) | X=1] — Effekt nur bei tatsächlich Exponierten.
ATU (on the Untreated): E[Y(1)−Y(0) | X=0] — Effekt, wenn die Nicht-Exponierten behandelt würden.

ATE ≠ ATT ≠ ATU bei Effekt-Heterogenität. Bei randomisierten Daten ohne Interaktionen sind sie gleich.

Metrische Exposition — AME & ate_k

AME (Average Marginal Effect): Durchschnittliche partielle Ableitung dE[Y]/dX. Antwortet: "Um wie viel ändert sich Y pro einer Einheit mehr X?"
ate_k (kausaler Kontrast): E[Y(x_hi) − Y(x_lo)] — mittelt über alle Personen die Differenz zwischen zwei spezifischen X-Werten. Antwortet: "Was wäre der Unterschied zwischen Min und Max, Q1 und Q3, etc.?"

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 — Kontrast-Strings in marginaleffects

"minmax" — Min → Max der Exposition
"iqr" — Q1 → Q3 (25. → 75. Perzentil)
"sd" — Mittelwert−SD → Mittelwert+SD
c(lo, hi) — benutzerdefiniertes Interval

ATT/ATU-Analogon (metrisch)

Für metrische Expositionen gibt es kein natürliches "Behandelt/Unbehandelt". Das Analogon teilt die Population künstlich an einem Cutoff (Standard: Median):

att_k: Kontrast — nur für Personen mit X ≥ Cutoff ("Hochbelastete")
atu_k: Kontrast — nur für Personen mit X < Cutoff ("Niedrigbelastete")

Nützlich um zu prüfen, ob der Effekt für bereits stark Exponierte anders ist als für wenig Exponierte — Effekt-Heterogenität auf der Expositionsachse.

Dosis-Wirkungs-Kurve

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

ICE — Individuelle kausale Effekte

Individuelle Counterfactual Effects: τ̂ᵢ = Ŷᵢ(x_hi) − Ŷᵢ(x_lo). Zeigt Heterogenität im kausalen Effekt über Personen. Sortierung nach Ŷᵢ(x_lo) — gleiche Zeile = gleiche Person in beiden Plots.

Workflow

Kausalmodell im Golem Builder ↗ bauen: DAG zeichnen, Adjustierungsset prüfen, Totalen/Direkten Effekt wählen → → G-Comp Builder klicken
Formel, Adj.-Set, Effektart und DAG-Struktur kommen automatisch hier an (via localStorage) — Formel prüfen, Modell in R fitten
Code kopieren, Estimanden berechnen
MCMC-Draws exportieren → Decision Maker

Der Golem Builder identifiziert was kontrolliert werden muss, berechnet aber selbst keine Effektschätzer — das übernimmt 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) können sicher hinzugefügt werden — sie verringern die Varianz ohne Bias einzuführen.

Weiterführende Literatur

Cunningham (2021) — Causal Inference: The Mixtape

1 — DAG-Import

2 — Modell & Formel

3 — Einstellungen