Biostatistique : inférence causale et erreur de mesure
Président: Mireille Schnitzer (Université de Montréal)
[PDF]
Président: Mireille Schnitzer (Université de Montréal)
[PDF]
- ASMA BAHAMYIROU, Université de Montréal
Comparaison des approches d'inférence causale pour l'estimation de l'effet de l'exposition aux corticostéroïdes inhalés sur le poids moyen à la naissance et sur l'âge gestationnel [PDF]
- Les méthodes de score de propension et de régression pour traiter l'ajustement sur des facteurs de confusion pour l'estimation de l'effet d'un traitement peuvent produire des estimations biaisées. Des méthodes semiparamétriques telles que l'estimation ciblée de la perte minimale (TMLE) peuvent être utilisées pour réduire la dépendance à la spécification du modèle paramétrique. Dans un grand espace de covariables, la TMLE collaborative (C-TMLE) peut améliorer encore davantage l'erreur carrée moyenne. Cette étude a pour but l'application de méthodes adaptives pour estimer l'effet causal de l'exposition aux corticostéroïdes inhalés sur le poids moyen à la naissance et sur l'âge gestationnel chez les femmes enceintes souffrant d'asthme léger. Nous comparons la pondération de la probabilité inverse du traitement, la TMLE et C-TMLE, toutes mises en oeuvre avec Super Learner.
- LEILA GOLPARVAR, McGill University
Apprentissage de structure causale et ajustement par score de propension [PDF]
- La représentation mathématique des dépendances de causalité entre un ensemble de variables via des graphiques apparaît dans la littérature statistique depuis plus d'un siècle. Prédire l'effet des manipulations à partir de données non-expérimentales comporte deux étapes : premièrement, la découverte des structures causales, deuxièmement, l'identification et l'estimation des paramètres de causalité. Nous avons adopté une approche basée sur la contrainte fréquentiste pour découvrir le graphique de causalité et utilisons l'algorithme PC pour la découverte causale. Pour explorer l'utilisation de l'algorithme PC dans le choix des facteurs confondants, nous menons une étude de simulation de Monte-Carlo. Les résultats montrent que l'algorithme PC fonctionne très bien lorsque la taille de l'échantillon est modérée à grande.
- KAMAL RAI, University of Waterloo
Inférence bayésienne pour les modèles stochastiques pharmacocinétiques et pharmacodynamiques [PDF]
- Les équations différentielles occupent un rôle central dans la modélisation de processus pharmacocinétiques et pharmacodynamiques. Afin d'estimer les paramètres de ces équations, une approche statistique peut augmenter les équations différentielles déterministes au moyen d'un modèle de simulation stochastique, et peut tenter de résoudre le problème inverse correspondant. Nous présentons une méthodologie bayésienne et la mise en œuvre du logiciel connexe pour l'inférence de paramètres pharmacocinétiques et pharmacodynamiques, en tenant compte de trois sources de variabilité stochastique : 1) l'erreur de mesure, 2) les fluctuations du processus intra-sujet et 3) les effets aléatoires inter-sujets. Nous explorons l'effet de la complexité accrue du modèle sur le compromis entre le biais et la variance au moyen d'expériences numériques avec une étude pharmacocinétique sur un petit échantillon.
- DI SHU, University of Waterloo
Estimation de paramètres causaux en présence d'erreur de mesure [PDF]
- Les rapports de cotes, les rapports de risques et les différences de risques sont des mesures largement utilisées pour comparer l'efficacité de deux traitements. Dans le cadre d'études d'observation où les facteurs de confusion sont inévitables, obtenir ces mesures avec une interprétation causale suscite un intérêt croissant. Afin de réduire le biais des facteurs de confusion, de nombreuses méthodes ont été proposées en supposant qu'il n'y ait pas d'erreur de mesure. Cependant, les erreurs de mesure se produisent inévitablement, pour diverses raisons. Il est bien connu que le fait de ne pas tenir compte des effets d'erreurs de mesure peut biaiser sérieusement les estimations des paramètres. Dans cet exposé, nous discuterons des paramètres causaux ainsi que de l'erreur de mesure. Nous présenterons des études numériques afin d'évaluer l'efficacité des méthodes proposées.
- DENIS TALBOT, Université Laval
Une perspective graphique aux modèles structuraux marginaux pour l'estimation des relations causales entre l'activité physique, la pression artérielle et la mortalité [PDF]
- L'estimation d'effets causaux requiert une importante connaissance a priori du domaine d'application et, parfois, l'utilisation d'outils statistiques sophistiqués. Les modèles structuraux marginaux (MSMs) constituent une classe de modèles causaux relativement nouvelle qui permet l'estimation des effets d'une exposition variant dans le temps. Ces modèles sont habituellement imbriqués dans le paradigme contrefactuel pour l'inférence causale. Afin de faciliter l'implantation des MSMs, nous proposons de considérer le paradigme graphique à l'inférence causale. Nous illustrons notre approche à l'aide des données d'une étude de cohorte prospective, le Honolulu Heart Program.
- YEYING ZHU, University of Waterloo
Méthode par noyaux pour l'ajustement de covariables à des fins d'inférence causale [PDF]
- En appariement, équilibrer les covariables parmi les groupes de traitement est un objectif important. Cet article présente le concept de préservation distributionnelle de l'équilibre, ce qui exige une distribution identique des covariables dans différents groupes de traitement. Entre-temps, nous proposons une nouvelle mesure de l'équilibre appelée distance par noyaux, qui se veut une estimation empirique de la métrique de la probabilité définie dans les espaces de Hilbert à noyau reproduisant. Comparativement aux mesures traditionnelles de l'équilibre, la distance par noyaux mesure la différence dans les deux distributions multivariées plutôt que celle dans les moments finis des distributions.