Actualizado por ultima vez el 21 de mayo de 2022, por Luis Benites.
¿Qué es una Variable Colisionadora?
Gráficamente, un nodo en un gráfico causal (un tipo de gráfico acíclico dirigido ) es una variable colisionadora si el camino que entra y sale del nodo tiene flechas que apuntan hacia él. Esencialmente, los caminos “chocan”.
Community Center Hours es un colisionador en este gráfico causal; las flechas que entran y salen apuntan hacia A, creando un bucle.
Los nodos que no cumplen con esta definición se denominan no colisionadores . Es posible que un nodo sea colisionador en una ruta y no colisionador en una ruta diferente en el mismo gráfico. Si una ruta tiene un colisionador, entonces está bloqueada ; Tener un colisionador en un gráfico da como resultado una asociación difusa entre el nodo y las variables circundantes que lo influyen.
¿Qué es el condicionamiento?
El condicionamiento significa que introduce información en el modelo sobre la variable de interés. En sociología, condicionar generalmente significa controlar . También puede significar:
- Estratificar , restringir o ajustar la variable de alguna manera.
- Realización de análisis específicos para uno o más grupos.
- Recopilación selectiva de datos (por ejemplo, excluir ciertos grupos de una encuesta).
El control del colisionador dará como resultado un fenómeno llamado » sesgo de selección endógena», lo que lleva a la posibilidad de correlaciones espurias. Esto también es cierto si condiciona a cualquier elemento secundario de los colisionadores (es decir, cualquier nodo más adelante en la ruta). La solución al sesgo de selección endógeno es no condicionar bajo estas condiciones en primer lugar; hacerlo se considera un error analítico rudimentario. Una excepción teórica a esto es cuando los efectos de las dos flechas que conducen al nodo se anulan entre sí. Sin embargo, la probabilidad de cancelación exacta en escenarios de la vida real es cero.
Referencias :
Elwert, F. & Winship, C. (2014). «Sesgo de selección endógeno: el problema del condicionamiento». En Revista Anual de Sociología. vol. 40: 31-53.
Groenlandia, Sander; Perla, Judea; Robins, James M (enero de 1999), «Diagramas causales para la investigación epidemiológica» (PDF), Epidemiología, 10 (1): 37–48.
Jewell, N. (2003) Estadísticas para la epidemiología. Chapman & Hall/CRC.
Watkins, T. (2018). Comprender la incertidumbre y el sesgo para mejorar los gráficos causales.
