008240612s2023      us  |||||||||||||||c||eng  d
■001000016933204
■00520240214101217
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798379649098
■035    ▼a(MiAaPQ)AAI30526075
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a614.4
■1001  ▼aWickramasekaran,  Ranjana  Nisha.
■24510▼aHow  to  Apply  Directed  Acyclic  Graphs  to  Descriptive,  Predictive,  and  Causal  Inference  Aims  in  Epidemiology▼h[electronic  resource]
■260    ▼a[S.l.]:▼bUniversity  of  California,  Los  Angeles.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(138  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  84-12,  Section:  B.
■500    ▼aAdvisor:  Arah,  Onyebuchi  A.;Nianogo,  Roch  A.K.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Los  Angeles,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aApplied  epidemiologists  are  required  to  not  only  address  causal  aims  but  descriptive  and  predictive  aims  as  well.  There  is  a  lack  of  guidance  on  how  to  approach  aims  that  are  not  obviously  causal  with  the  causal  tools  and  methods  that  epidemiologists  are  often  trained  in.  Directed  Acyclic  Graphs  (DAGs)  are  used  in  epidemiology  and  clinical  research  to  clarify  assumptions  and  illustrate  causal  questions  to  inform  study  design  and  statistical  analysis.  However,  there  is  little  guidance  on  the  use  of  DAGs  outside  of  causal  inference.  This  dissertation  aims  to  address  this  gap  by  walking  through  the  use  of  DAGs  while  navigating  and  adapting  previously  developed  frameworks.  In  chapter  1,  we  provide  the  background  and  general  approach  of  the  dissertation.  In  chapters  2-4,  we  adapt  an  existing  framework  to  provide  guidance  on  the  use  of  DAGs  to  address  descriptive,  predictive,  and  causal  aims,  respectively.  We  demonstrate  the  application  of  DAGs  by  working  through  an  example  aim  using  data  from  the  National  Health  and  Nutrition  Examination  Survey  I  (NHANES-I)  Epidemiologic  Follow-up  Study  (NHEFS)  as  used  in  Causal  Inference:  What  If.  Lastly,  chapter  5  provides  a  brief  discussion  of  the  similarities  and  differences  in  addressing  these  types  of  aims.  We  found  that  the  importance  of  the  target  population  is  prevalent  in  any  type  of  study.  Similarly,  selection  bias,  information  bias,  and  missing  data  issues  can  arise  in  any  study  whereas  confounding  may  not  be  as  much  of  a  concern  in  descriptive  and  some  predictive  studies.  DAGs  are  useful  to  communicate  and  address  these  uncertainties.
■590    ▼aSchool  code:  0031.
■650  4▼aEpidemiology.
■650  4▼aComputer  science.
■653    ▼aCausal  inference
■653    ▼aDescriptive
■653    ▼aDirected  acyclic  graphs
■653    ▼aPredictive
■653    ▼aNHANES-I
■690    ▼a0766
■690    ▼a0984
■71020▼aUniversity  of  California,  Los  Angeles▼bEpidemiology  0357.
■7730  ▼tDissertations  Abstracts  International▼g84-12B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0031
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16933204▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024