Titre original :
Bayesian Nonparametrics for Causal Inference and Missing Data
Contenu du livre :
Bayesian Nonparametrics for Causal Inference and Missing Data offre une vue d'ensemble des méthodes non paramétriques bayésiennes (BNP) flexibles pour modéliser les distributions conjointes ou conditionnelles et les relations fonctionnelles, ainsi que leur interaction avec l'inférence causale et les données manquantes. Ce livre souligne l'importance de faire des hypothèses non testables pour identifier les estimands d'intérêt, telles que l'hypothèse de données manquantes au hasard pour les données manquantes et l'absence de fondements pour l'inférence causale dans les études d'observation. Contrairement aux méthodes paramétriques, l'approche BNP peut prendre en compte les violations possibles des hypothèses et minimiser les problèmes de mauvaise spécification du modèle. La stratégie globale consiste à spécifier d'abord les modèles BNP pour les données observées, puis à spécifier des hypothèses non vérifiables supplémentaires pour identifier les estimands d'intérêt.
Le livre est divisé en trois parties. La Partie I développe les concepts clés de l'inférence causale et des données manquantes et passe en revue les concepts pertinents de l'inférence bayésienne. La Partie II présente les outils fondamentaux de l'approche BNP nécessaires pour traiter les problèmes d'inférence causale et de données manquantes. La Partie III montre comment l'approche BNP peut être appliquée dans une variété d'études de cas. Les ensembles de données utilisés dans les études de cas proviennent de dossiers médicaux électroniques, de données d'enquête, d'études de cohortes et d'essais cliniques randomisés.
Caractéristiques.
- Discussion approfondie de l'approche BNP et de son interaction avec l'inférence causale et les données manquantes.
- Comment utiliser le BNP et le calcul g pour l'inférence causale et les données manquantes non ignorables.
- Comment dériver et calibrer les paramètres de sensibilité pour évaluer la sensibilité aux écarts par rapport aux hypothèses de causalité et/ou de données manquantes non vérifiables.
- Des études de cas détaillées illustrant l'application des méthodes BNP à l'inférence causale et aux données manquantes.
- Un code R et/ou des packages pour implémenter BNP dans l'inférence causale et les problèmes de données manquantes.
Ce livre s'adresse principalement aux chercheurs et aux étudiants de troisième cycle en statistique et en biostatistique. Il servira également de référence pratique utile pour les épidémiologistes et les chercheurs médicaux mathématiquement sophistiqués.
Autres informations sur le livre :
| ISBN : | 9780367341008 |
| Auteur : | |
| Éditeur : | |
| Langue : | anglais |
| Reliure : | Relié |
| Année de publication : | 2023 |
| Nombre de pages : | 248 |
Achat:
Actuellement disponible, en stock.
