Séance de cours

Disentangling Confounding and Nonsense Associations

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Description

Cette séance de cours traite de la conflation de la dépendance statistique avec la confusion, mettant en évidence les méthodes qui ne parviennent pas à contrôler les formes générales de confusion. Il traite de sujets tels que les associations absurdes, la confusion due à la dépendance, et la confusion générale. La séance de cours explore également l'inférence causale avec les traitements multiples et la confusion non mesurée, en soulignant la distinction entre les méthodes existantes et les approches nouvelles et améliorées. De plus, il se transforme en confusion par dépendance, simulations en réseau et les implications de la confusion dans divers domaines. L'instructeur présente des méthodes récentes pour contrôler la confusion non mesurée, les limites des méthodes d'orthogonalisation et le développement de nouvelles méthodes d'inférence causale semiparamétrique.

Source officielle

Concepts associés (32)

Facteur de confusion

En statistique, un facteur de confusion, ou facteur confondant, ou encore variable confondante, est une variable aléatoire qui influence à la fois la variable dépendante et les variables explicatives. Ces facteurs sont notamment à l'origine de la différence entre corrélation et causalité (Cum hoc ergo propter hoc). En santé publique, c'est une variable liée à la fois au facteur de risque et à la maladie ou à un autre évènement de l'étude lié à la santé, ce qui est susceptible d'induire un biais dans l'analyse du lien (entre maladie et facteur de risque), produisant ainsi de fausses associations.

Causal model

In the philosophy of science, a causal model (or structural causal model) is a conceptual model that describes the causal mechanisms of a system. Several types of causal notation may be used in the development of a causal model. Causal models can improve study designs by providing clear rules for deciding which independent variables need to be included/controlled for. They can allow some questions to be answered from existing observational data without the need for an interventional study such as a randomized controlled trial.

Inférence causale

L'inférence causale est le processus par lequel on peut établir une relation de causalité entre un élément et ses effets. C'est un champ de recherche à la croisée des statistiques, de l'économétrie, de l'épidémiologie, de la méthodologie politique et de l'intelligence artificielle. En 1920, Sewall Wright développe la première path analysis. Cette analyse graphique des relations de causalité entre les variables constitue selon Judea Pearl un travail pionnier dans l'inférence causale.

Population structure (genetics)

Population structure (also called genetic structure and population stratification) is the presence of a systematic difference in allele frequencies between subpopulations. In a randomly mating (or panmictic) population, allele frequencies are expected to be roughly similar between groups. However, mating tends to be non-random to some degree, causing structure to arise. For example, a barrier like a river can separate two groups of the same species and make it difficult for potential mates to cross; if a mutation occurs, over many generations it can spread and become common in one subpopulation while being completely absent in the other.

Génétique des populations

La génétique des populations (GDP) est l'étude de la distribution et des changements de la fréquence des versions d'un gène (allèles) dans les populations d'êtres vivants, sous l'influence des « pressions évolutives » (sélection naturelle, dérive génétique, recombinaison, mutation, et migration). Les changements de fréquence des allèles sont un aspect majeur de l'évolution, la fixation de certains allèles conduit à une modification génétique de la population, et l'accumulation de tels changements dans différentes populations peut conduire au processus de spéciation.

Afficher plus

Séances de cours associées (56)

Inférence causale : Comprendre les effets du traitement

Examine les effets du traitement, les variables confusionnelles et les difficultés d'interprétation des résultats des études d'observation.

Analyse causale des données d'observation

Couvre l'analyse causale des données d'observation, des pièges, des outils permettant de tirer des conclusions valables et d'aborder les variables confusionnelles.

Effets causaux Bounds: Paramètres de sensibilité sur l'échelle des différences de risque

Étudier les limites des effets causaux en utilisant des paramètres de sensibilité à l'échelle de la différence de risque, en abordant les limites et en proposant de nouvelles approches.

Inférence causale : Estimands et Ontologies

Examine l'inférence causale, en soulignant l'importance de s'engager dans une ontologie pour tirer des inférences causales et choisir des estimands appropriés.

Inférence causale : Comprendre les associations et les effets

Examine la distinction entre association et lien de causalité dans l'analyse statistique, en soulignant les limites de l'association dans l'inferration de lien de causalité.

Afficher plus

Concepts associés (32)

Facteur de confusion

Causal model

Inférence causale

Population structure (genetics)

Génétique des populations

Afficher plus