Project

Data-adaptieve causale gevolgtrekking onder zwakke veronderstellingen

Code
3E015021
Looptijd
01-11-2021 → 31-08-2025
Financiering
Fonds voor Wetenschappelijk Onderzoek - Vlaanderen (FWO)
Onderzoeksdisciplines
  • Natural sciences
    • Statistics
  • Medical and health sciences
    • Biostatistics
    • Epidemiology
Trefwoorden
Causale gevolgtrekking niet-parametrische gevolgtrekking statistische leren
 
Projectomschrijving

Hoewel data-adaptieve methoden succesvol zijn geweest bij het maken van voorspellingen, zijn statistici voorzichtig geweest bij het toepassen ervan om causale effecten af te leiden. Dit komt omdat deze technieken vatbaar zijn voor 'plug-in'-bias en ze de besluitvorming drastisch ingewikkelder maken. Recent werk heeft echter aangetoond hoe data-adaptieve methoden kunnen worden gebruikt in een eerste stap voor het evalueren van het effect van een interventie, met tevens geldige betrouwbaarheidsintervallen. Deze resultaten gelden echter enkel onder sterke assumpties voor de methoden van de eerste stap, die niet zijn ontworpen voor het schatten van causale effecten en dus suboptimaal zijn. Andere voorstellen zijn gericht op eenvoudige causale onderzoeken of vertrouwen op modelassumpties, met het risico op vertekening door verkeerde specificatie. We zullen eerst onderzoeken hoe we de data-adaptieve methoden kunnen aanpassen om de vertekening van de causale effectschatter te verminderen. Onze strategieën zullen ook geldige betrouwbaarheidsintervallen opleveren onder zwakkere aannames dan de huidige voorstellen. We zullen dan nieuwe modelvrije causale schattingen ontwikkelen die bruikbaar zijn in verschillende contexten en niet-parametrische besluitvorming vergemakkelijken met behulp van data-adaptieve technieken. Ten slotte zullen we deze inzichten vertalen om optimale ‘contrafeitelijke’ voorspellingen te doen op individueel niveau onder specifieke, geplande interventies.