Examine l'inférence causale, en soulignant l'importance de s'engager dans une ontologie pour tirer des inférences causales et choisir des estimands appropriés.
Couvre l'analyse causale des données d'observation, des pièges, des outils permettant de tirer des conclusions valables et d'aborder les variables confusionnelles.
Examine la dépendance statistique, la confusion et les méthodes d'inférence causale, en mettant l'accent sur la distinction entre les approches existantes et nouvelles.
Introduit des méthodes de pointe dans l'optimisation et la simulation, couvrant des sujets tels que l'analyse statistique, la réduction de la variance et les projets de simulation.
Explore les mesures de risque cohérentes et l'approche spectrale de l'aversion du risque, couvrant VaR, ES, la subadditivité, la convexité et la création de nouvelles mesures de risque.
Explore l'inférence causale en épidémiologie, en mettant l'accent sur l'impact de la COVID-19 sur la naissance prématurée et en perfectionnant les stratégies de traitement du cancer de la prostate.
Explore les promesses d'inférence causale dans les neurosciences cognitives en utilisant des approches de neurostimulation pour comprendre les relations cerveau-comportement.
Explore l'inférence causale, les graphiques dirigés et l'équité dans les algorithmes, en mettant l'accent sur l'indépendance conditionnelle et les implications des GAD.
Explore les outils quantitatifs de gestion des risques, les défis historiques d'estimation de la valeur au risque, les scénarios du CCRA et les processus de retour appropriés.