2016-Nouvelles perspectives en inférence causale

Nouvelles perspectives en inférence causale 
Responsable et présidente: Yeying Zhu (University of Waterloo) 
[PDF]
PEISONG HAN, University of Waterloo
Estimation multiplement robuste en inférence causale  [PDF]
 
La robustesse multiple est une propriété souhaitable d'abord établie dans la littérature des données manquantes. Des estimateurs sont multiplement robustes s'ils sont convergents lorsqu'un des modèles de probabilités de données manquantes multiples ou de loi de données multiples est correctement spécifié. Nous démontrerons comment construire des estimateurs multiplement robustes pour l'effet de traitement moyen lors d'études d'observations avec traitements binaires. Les estimateurs sont convergents si un des modèles de coefficients de propension multiples ou de régression des résultats multiples est correctement spécifié. Notre procédure d'estimation peut aussi atteindre le niveau souhaité de balance des covariables entre le traitement et les groupes témoins en faisant correspondre les moments des lois des covariables par la repondération des unités dans un groupe ou dans les deux groupes. 
 
WEI LUO, Baruch College
Estimer les effets de causalité basés sur la régression en utilisant une réduction suffisante de la dimension  [PDF]
 
Dans plusieurs problèmes d'inférence causale, le paramètre d'intérêt est souvent l'effet de causalité de la régression, défini comme étant la différence de la moyenne conditionnelle dans les résultats potentiels compte tenu des covariables. Cet article discute de la façon dont une réduction suffisante de la dimension peut être utilisée pour aider à son estimation et propose un nouvel estimateur pour l'effet causal de régression, inspiré d'une méthode de réduction suffisante de la dimension appelée estimation à variance moyenne minimale. L'estimateur nécessite une condition de support commun plus faible que dans les approches traditionnelles fondées sur les coefficients de propension. De plus, il peut facilement être transformé pour estimer l'effet causal moyen, où il est asymptotiquement super efficace. Les propriétés d'échantillons finis de la méthode proposée sont illustrées par des études de simulation. 
 
MIREILLE SCHNITZER, University of Montreal
La double robustesse collaborative et le lien à la sélection de modèles de nuisance par algorithme d'apprentissage adaptatif en inférence causale [PDF]
 
En inférence causale et méthodes pour données censurées, les estimateurs doublement robustes, telle l'estimation par maximum de vraisemblance ciblée, nécessitent la bonne spécification de deux composantes de la vraisemblance. L'estimation est convergente quand au moins une des deux composantes nuisibles est bien spécifiée, conditionnellement sur des facteurs de confusion suffisants. Cependant, cette classe d'estimateurs a aussi la propriété de robustesse collaborative permettant une estimation convergente dans certains cas, même si aucun des modèles n'est bien spécifié. Nous décrivons cette classe d'estimateurs pour des contextes d'exposition à un ou plusieurs points dans le temps, décrivons une approche cohérente pour la sélection de variables en inférence causale et illustrons la performance d'algorithmes d'apprentissage adaptatif pour l'estimation de modèles à composantes nuisibles.