Project

Assumptie-Lean (causale) modellering en schatting: Een paradigmaverschuiving ten opzichte van traditionele statistische modellering

Acroniem
ACME
Code
41W03424
Looptijd
01-10-2024 → 30-09-2029
Financiering
Europese middelen: kaderprogramma
Onderzoeksdisciplines
  • Natural sciences
    • Probability theory
    • Statistics
    • Statistics and numerical methods not elsewhere classified
  • Medical and health sciences
    • Cancer epidemiology
Trefwoorden
Mathematische statistiek
 
Projectomschrijving

Ik stel een baanbrekend en transformatief paradigma voor statistische modellering voor dat cruciaal is om de kwaliteit van gegevensanalyses te verbeteren. Gebruikmakend van mijn expertise in causale inferentie en semiparametrische statistiek, zal ik de fundamentele principes van een uitgebreide schattingstheorie vaststellen, die modelparameters in kaart brengt op generieke, interpreteerbare, modelvrije schattingen (bijv. associatie- of effectmaten) met gunstige efficiëntiegrenzen, en de kracht van gedebiteerde (statistische/machine)leertechnieken inzet om deze te schatten. Mijn belangrijkste doelstelling is het ontwikkelen van een flexibel en toegankelijk raamwerk voor datamodellering, genaamd 'assumption-lean modelling'. Dit raamwerk levert minimale bias en maximale interpreteerbaarheid, zelfs in de aanwezigheid van verkeerde modelspecificatie, samen met eerlijke betrouwbaarheidsgrenzen die rekening houden met modelonzekerheid.

Debiased learning vormt de kern van dit onderzoek. Hoewel deze methode aan populariteit wint, ontbreekt een rigoureuze wetenschappelijke optimaliteitstheorie. Ik zal gebruikmaken van mijn expertise in (bias-reduced) double robust estimation om optimale schatters voor debiased learning te ontwikkelen. Deze maken gebruik van lerenden die strategisch gekozen verliesfuncties optimaliseren om lage variantie en hoge stabiliteit te bereiken, samen met betrouwbaarheidsintervallen die geldig zijn onder zwakke voorwaarden voor de lerenden.

Ik zal een verband leggen met actuele, opwindende ontwikkelingen in de statistiek, zoals het debiased leren van functiegewaardeerde parameters en de constructie van betrouwbaarheidsgrenzen voor zulke parameters. Ik zal nieuwe wegen naar deze problemen bieden door de assumption-lean modelleerprincipes te incorporeren en aan te sluiten bij behoeften in de echte wereld.

Ik zal assumption-lean modelleerstrategieën ontwikkelen om belangrijke uitdagingen in causale modellering aan te pakken, waaronder doelproefemulatie, causale bemiddelingsanalyse en statistische modellering van afhankelijke uitkomsten. Ik zal methoden leveren met potentiële impact op alle empirische wetenschappen en op de fundamenten van de discipline van statistische modellering.

Vertaald met DeepL.com (gratis versie)

 
 
 
Disclaimer
Funded by the European Union. Views and opinions expressed are however those of the author(s) only and do not necessarily reflect those of the European Union or the European Research Council Executive Agency (ERCEA). Neither the European Union nor the authority can be held responsible for them.