University of Athens: 17/12/2018 Causal Inference with Interfering Units for Cluster and Population Level Treatment Allocation Programs & Estimating the health effects of environmental mixtures using Bayesian semiparametric regression and sparsity inducin

Δύο ομιλίες την ερχόμενη Δευτέρα. Η πρώτη, από απόφοιτη του τμήματός μας
(αποφοίτησε το 2013 και έκανε διδακτορικό στο τμήμα Βιοστατιστικής του
Harvard).

Δευτέρα 17 Δεκεμβρίου. Αίθουσα Α32.

11:10 π.μ.-12 μ.μ.

Γεωργία Παπαδογεώργου. Duke University
Τίτλος: Causal Inference with Interfering Units for Cluster and Population
Level Treatment Allocation Programs

Η θεωρία αιτιολογίας (causal inference) ορίζει και εκτιμά το αποτέλεσμα
μιας θεραπείας (intervention) σε ένα αποτέλεσμα. Στη θεωρία αιτιολογίας,
λέμε ότι υπάρχει interference όταν το πιθανό αποτέλεσμα ενός ατόμου
εξαρτάται από τη θεραπεία που δέχτηκε ο ίδιος, αλλά και από τη θεραπεία
άλλων. Μία συνήθης υπόθεση στη θεωρία αιτιολογίας με interference είναι
ότι ο πληθυσμός μπορεί να χωριστεί σε ομάδες ατόμων έτσι ώστε τα πιθανά
αποτελέσματα ενός ατόμου εξαρτώνται μόνο από τις θεραπείες ατόμων μέσα
στην ομάδα στην οποία ανήκει. Σε αυτήν την ομιλία, θα παρουσιάσω μια
εισαγωγή στη θεωρία αιτιολογίας, καθώς και την επέκτασή της στην περίπτωση
που υπάρχει interference μεταξύ των ομάδων. Ορίζουμε estimands που
περιγράφουν μέσους όρους πιθανών αποτελεσμάτων για ρεαλιστικά προγράμματα
ανάθεσης θεραπείας. Προτείνουμε αμερόληπτους εκτιμητές και αποδεικνύουμε
ασυμπτωτικά αποτελέσματα όταν ο αριθμός των interference ομάδων μεγαλώνει.
Για μικρό αριθμό ομάδων, αποκτούμε διαστήματα εμπιστοσύνης χρησιμοποιώντας
το bootstrap. Τελικώς, εκτιμούμε τη σχετική αποτελεσματικότητα τεχνολογιών
μείωσης ρύπων σε κέντρα παραγωγής ενέργειας στα επίπεδα όζοντος στην
ατμόσφαιρα.

https://arxiv.org/pdf/1711.01280.pdf

12:10 μ.μ.-1μ.μ.

Joey Antonelli. University of Florida
Title: Estimating the health effects of environmental mixtures using
Bayesian semiparametric regression and sparsity inducing priors.

Abstract: Humans are routinely exposed to mixtures of chemical and other
environmental factors, making the quantification of health effects
associated with environmental mixtures a critical goal for establishing
environmental policy sufficiently protective of human health. The
quantification of the effects of exposure to an environmental mixture
poses several statistical challenges. It is often the case that exposure
to multiple pollutants interact with each other to affect an outcome. Further, the exposure-response relationship between an outcome and some
exposures, such as some metals, can exhibit complex, nonlinear forms,
since some exposures can be beneficial and detrimental at different ranges
of exposure. To estimate the health effects of complex mixtures we propose
a flexible Bayesian approach that allows exposures to interact with each
other and have nonlinear relationships with the outcome. We induce
sparsity using multivariate spike and slab priors to determine which
exposures are associated with the outcome, and which exposures interact
with each other. The proposed approach is interpretable, as we can use the
posterior probabilities of inclusion into the model to identify pollutants
that interact with each other. We illustrate our approach's ability to
estimate complex functions using simulated data, and apply our method to
two studies to determine which environmental pollutants adversely affect
health.

https://arxiv.org/pdf/1711.11239.pdf