Note :
Ce livre est très apprécié pour son approche efficace de l'enseignement de l'inférence causale à l'aide du code R, ce qui le rend accessible et facile à comprendre pour les personnes travaillant dans les domaines de l'épidémiologie et de la santé publique. Les critiques saluent la clarté des explications et l'abondance des exemples pratiques fournis.
Avantages:Approche pédagogique efficace, couverture intuitive des concepts, inclusion complète des principaux sujets d'inférence causale, nombreux exemples de code R faciles à suivre, et style d'écriture clair et facile à lire.
Inconvénients:Peut ne pas convenir à ceux qui préfèrent des langages de programmation autres que R, car un auteur mentionne une préférence pour Julia.
(basé sur 2 avis de lecteurs)
Fundamentals of Causal Inference: With R
Avec cette présentation claire, rigoureuse et lisible des concepts d'inférence causale avec les principes de base des probabilités et des statistiques, le texte de Brumback améliorera considérablement l'accessibilité de l'inférence causale pour les étudiants, les chercheurs et les praticiens dans une grande variété de disciplines.
-Debashis Ghosh, dans International Statistical Review, mars 2022.
L'une des principales motivations des essais cliniques et des études d'observation chez l'homme est de déduire la relation de cause à effet. Il est extrêmement important de distinguer la causalité des facteurs de confusion. Fundamentals of Causal Inference explique et met en relation différentes méthodes d'ajustement des facteurs de confusion en termes de résultats potentiels et de modèles graphiques, y compris la standardisation, l'estimation de la différence dans les différences, la méthode de la porte d'entrée, l'estimation des variables instrumentales et les méthodes de score de propension. Il couvre également la modification de la mesure de l'effet, les variables de précision, les analyses de médiation et les facteurs de confusion dépendants du temps. Plusieurs exemples de données réelles, des études de simulation et des analyses utilisant R motivent les méthodes tout au long de l'ouvrage. Le livre suppose une bonne connaissance des statistiques et des probabilités de base, de la régression et de R. Il convient aux étudiants de dernière année ou aux étudiants diplômés en statistiques, en biostatistique et en science des données, ainsi qu'aux doctorants dans un large éventail d'autres disciplines, notamment l'épidémiologie, la pharmacie, les sciences de la santé, l'éducation et les sciences sociales, économiques et comportementales.
Commençant par un bref historique et un examen des éléments essentiels de la probabilité et de la statistique, l'ouvrage a pour particularité de se concentrer sur des ensembles de données réelles et simulées avec toutes les variables binaires afin de réduire les méthodes complexes à leurs principes fondamentaux. Il n'est pas nécessaire d'avoir des notions de calcul, mais il est essentiel d'avoir la volonté de s'attaquer à la notation mathématique, aux concepts difficiles et aux arguments logiques complexes. Bien que de nombreux exemples de données réelles soient inclus, le livre présente également la double étude d'hypothèses, basée sur des données simulées avec des mécanismes de causalité connus, dans l'idée que les méthodes sont mieux comprises dans des circonstances où l'on sait qu'elles réussiront ou échoueront. Les ensembles de données, le code R et les solutions aux exercices des numéros impairs sont disponibles sur le site web de l'ouvrage à l'adresse www.routledge.com/9780367705053.
| ISBN : | 9780367705053 |
| Auteur : | |
| Éditeur : | |
| Langue : | anglais |
| Reliure : | Relié |
| Année de publication : | 2021 |
| Nombre de pages : | 236 |
Actuellement disponible, en stock.
