多因素应该调整哪些混杂变量？dag图全自动带因果真文献，震撼发布

智荟DAG 官网：https://shiny.zhihuishuju.com/dag/ 特色：嵌入了文献深度研究溯源功能，能自动判定所输入的结局Y，暴露X，协变量covs的因果关联，并自动生成专业、精准的dag图，支持多重格式下载。有向无环图DAG，可以快速解决多因素模型调整哪些混杂变量的问题，是近年来四大顶刊越来越重视的变量选择方法，也是因果推断中因果线索评估最重要的图示法。

但是dag涉及协变量过多的时候手工绘制很麻烦，且变量间相互关系需要专家共识与文献检索确定，目前市面上没有任何工具可以做到一键完成部署且科学专业互动。

我曾经写了几篇dag相关推文，可以溯源超美有向无环图DAG的R绘制，生存数据传统中介与因果中介。 这周，我为了在B款课程“真实世界+因果机器学习+ TTE”中生动讲解dag理论，配套课程制作了一个智能酷炫的“智荟DAG”软件，https://shiny.zhihuishuju.com/dag。利用它可以极速智能的完成dag绘制与矢量图导出，远超dagitty官网等工具。

unsetunset一、DAG定义与功能unsetunset

DAGs 是一种展示暴露、结局及其他相关变量间假设因果结构的图形，能清晰呈现从因果效应到混杂和选择偏倚等各种关联解释。

unsetunset二、DAG应用领域unsetunset

1. 提前识别研究问题 在研究实施之前，可以通过提前构建 DAGs 图识别干扰变量，评估其是否在后续的研究中可测量，并通过适当的偏倚设计获得相应的偏倚参数供后续分析，同时也可以避免不必要的变量测量。

2. 用于因果推断中混杂因素的识别和控制 观察性研究在因果推断中，常由于未经识别和校正的混杂因素存在而导致暴露和结局之间的真实联系被歪曲，从而出现错误的估计。而构建 DAGs 可以将研究中的因果关系可视化，更加直观识别可能存在的混杂变量，得到最接近真实结果的效应估计值。

3. 多因素回归分析变量筛选 识别最小充分调整集，压缩，流行病学研究中常采用逻辑回归分析变量间的关系，绘制 DAGs 可以更加真实地模拟现实情况，把回归方程建成一个庞大的因果关系体系，从而更深层次地进行变量筛选。

4. 识别中介变量/识别碰撞变量和选择偏倚 避免因调整中介变量而阻断间接效应，导致总效应估计偏倚，例如调整快餐消费这一中介变量可能影响重度饮酒对死亡总效应的估计。帮助识别碰撞变量，避免因对其调整产生偏倚；也能分析选择偏倚，如因研究入选标准导致的样本与目标人群差异

5. 处理缺失数据指导思想 DAGs 提供了一种图形工具来描述分析变量和缺失指标之间的假定关系，包含缺失数据的 DAG 图被延伸为潜在缺失的有向无环图m-DAG

6. dag与研究设计现状

   
   

unsetunset三、DAG要素与图形变种unsetunset

BMJ去年年末发表了dag7步法，用案例和图示演示了来龙去脉，非常不错，入门到全案例都有。 

unsetunset四、dag手工绘制与智能绘制unsetunset

我之前介绍了目前的7种手工绘制dag方式，分别是dagitty网页版、dagitty包、ggdag包、pcalg包、dagR包、shinyDAG包、causaldiagrams.org。对于我来说，7个工具解释性和方便性虽有优劣但是都不全面。尤其是现在dag作为定性因果金标准，需要结合路径文献和专家意见判定每条路径，这个问题长期被大家忽略！

为了解决这个问题，我独家制作了最先进最强的“智荟dag”。下面看看实战案例，小伙伴们可以对比经典dagitty网页。

4.1 dagitty3.1

https://www.dagitty.net/dags.html，引用量最多的官网，支持代码复现，可以手工绘图与模型代码互动，顶刊最常见的dag出处。可以把代码保存到UE中下次再用，只需要格式保留好即可。同时dagitty的代码与智荟dag可以相互复制黏贴，仅仅是上下倒影不同，内容一致。

4.2 智荟dag

智荟dag，官网 https://shiny.zhihuishuju.com/dag/。因果链条过去可以参考https://causaldiagrams.org/articles-containing-causal-diagrams/，但是2021年后就不再更新了。

我设计了AI引擎的API溯源，你只需要输入Y，x，covs，就能利用AI自动判定因果关联，再在智荟dag平台自动生成漂亮且精准的dag图，还支持多重格式下载。要知道dagitty官网不支持矢量图下载的，所以很多图都非常模糊，也不支持缩放。智荟dag完全解决了这个问题。

4.3 快速模式

?? 下面我演示一下复原jama子刊JNO的dag图。Y 是 Stillbirth，X 是 SCT (sickle cell trait)，covs 是“图里除了 X 和 Y 之外的其他变量”，那就是这些节点：Race and ethnicity, Year, SCD, No. of pain crises, No. of blood transfusions, ABO status, Rh factor, Marital status, Age, Multiple gestation, Delivery episode, Prior cesarean delivery。可以从“智荟dag”左侧直接输入 y x covs，就自动生成dag图，带节点属性角色和最小充分调整集Q。我同时还保留了dagitty3.1原版网页，以及为了方便学习节点、路径、碰撞等概念制作了教程与教学演示案例。

4.4 深度检索因果链文献与dag

快速模式每次点击会稍微不一样，胜在效率以及每条因果链几乎都会根据LLM内置逻辑快速判断。因为是快速尝试，所以更多用于快速建模，后面可以手动修改。 但是，现在很多顶刊都要注意提供主要研究假设的因果链证据文献，于是我设计了一套精巧且深度检索系统配合 论文神器ipubmed (https://shiny.zhihuishuju.com/ipubmed/)底层逻辑，可以获取每个因果链条的100%真文献，拒绝AI幻觉率。深度检索启动ipubmed文献检索判定每条路径一次因果关联连接是否成立，然后给出endnote、zetero、word下载，都是带详细的文献格式100%真文献。 我同时复现了dagitty的祖先、因果、bias路径，开放选择颜色自己选择喜欢的即可。我设置了默认“祖先路径 ”开启。

unsetunset五、发散思维unsetunset

1. 默认开启祖先路径。自由选择开启，因果路径、偏倚路径。自动获取最小调整集Q，右上角显示“多因素模型需要调整哪几个变量”。多个最小Q，则都建模后选最佳解释对应的Q。
2. 与dagitty是上下镜像对置，颜色复刻节点美化。
3. 绘图快捷键:E 暴露 | O 结局 | A 调整 | S 选择 | U 未观测 | R 重命名 | D 删除 | Esc 取消
4. 无论快速dag还深度dag，每次检索都会稍微不同，最终需要人工再确定最终版！配合阳性结果选择最佳支持理论dag模型。
5. 快速dag模块与深度dag模块的代码，可以互换。比如深度结束后，在快速中黏贴深度代码，再编辑即可。
6. 操作支持Ctrl+Z 撤销上一步 ，Ctrl+Y 重做下一步！更方便更灵活！

unsetunset六、小结unsetunset

https://shiny.zhihuishuju.com/dag ,自动因果推断图pptx下载，右上角获取多因素调整变量。智荟DAG与dagitty互通，更进一步结合文献溯源与专家判断辅助定路径，补上经典工具与现有R包难解的一环。