Méthodes d'inférence causale et la prise de décision dans un cadre bayésien

 

David Stephens

Université McGill

 

Domaine : techniques, mesures et systèmes

Programme projet de recherche en équipe

Concours 2018-2019

La plupart des procédures d'analyse statistique qui tentent de découvrir la relation entre des facteurs influents (par exemple, l'exposition à des matières dangereuses dans l'environnement ou une intervention économique) et une réponse (la santé ou les résultats socio-économiques) sont sujettes à des problèmes si les modèles statistiques utilisés sont incorrectement spécifiés. En particulier, s'il y a des facteurs qui influencent l'exposition et la réponse, les conclusions statistiques doivent être établies avec précaution. Lorsque le nombre de facteurs ou prédicteurs influents potentiels est grand, il est souvent extrêmement difficile de s'assurer que la spécification du modèle est correcte, et cela représente un défi méthodologique et analytique considérable. La recherche proposée par notre équipe est dans le domaine de l'inférence causale, qui tente de quantifier l'effet réel d'une exposition sur une réponse lorsque le nombre de facteurs influents potentiels est grand. Nous allons utiliser le cadre bayésien qui permet une analyse plus complète de la variabilité et de l'incertitude associée à l'analyse.

Le but de la recherche proposée est d'élargir le nombre d'outils statistiques disponibles pour les chercheurs puisque, à ce jour, il y a eu peu d'enrichissement réciproque entre les idées bayésiennes et causales. Nos projets porteront sur des défis méthodologiques spécifiques qui font l'objet d'un grand intérêt actuellement. Nous allons aborder plusieurs domaines importants de la causalité dans un cadre bayésien, y compris la médiation, la prise de décision séquentielle et la modélisation spatio-temporelle. Nos développements aideront à résoudre des problèmes réels et pratiques dans l'analyse statistique des données.