📊 Причинный вывод для реальных данных

Предостерегающий штамп прикладного исследователя о том, что корреляция не означает причинность распространился довольно широко, и это хорошо. Но обратной стороной медали стало то, что исследователи стали изобретать обтекаемые обороты, которые намекают на причинность, но позволяют им от этого намёка откреститься: «уникально предсказывает», «связан после контроля на», «объясняет вариацию»
Джулия Рорер собрала эту претензию в лекцию и назвала её нарочито иронично: «Уникально ли практики причинного вывода предсказывают качество причинного вывода?» (слайды, запись)

Лекция входит в годовую серию Люксембургского института здоровья про причинный вывод для реальных данных. Несмотря на то, что организаторы и спикеры часто связаны с медициной, эпидемиологией и биостатистикой, содержание докладов может заинтересовать широкий круг исследователей

🧱 Основания
• Питер Теннант открывал серию введением в направленные ациклические графы (directed acyclic graph, DAG)
• Джорджия Томова разбирала композиционные данные (compositional data), где переменные связаны условием суммы: доли нутриентов или бактерий нельзя менять по одной, потому что рост одной означает падение остальных (запись)

🎯 Что считать эффектом
• Матс Стенсруд разбирал, что стоит за словами «угасание защиты» (waning), «гетерогенные эффекты» и «перетекание эффекта» (spillover) в вакцинных исследованиях, на материале малярии, ВИЧ, гриппа и ковида (запись)
• Фабриция Меалли говорила про двудольную интерференцию (bipartite interference), когда воздействие применяется к одним единицам, а исходы измеряются у других (запись)
• Микела Баччини переводила эффекты загрязнения воздуха на язык потенциальных исходов (potential outcomes) ради осмысленной кривой доза-ответ (запись)

🤖 Можно ли это автоматизировать
• Мигель Эрнан вынес вопрос прямо в заголовок и сразу оговорился: чтобы ИИ ускорил причинные исследования по медицинским базам, надо сначала разобраться, чем являются и ИИ, и сам причинный вывод (запись)
• Сара Мальякане представляла масштабируемые методы поиска причинной структуры по данным (causal discovery) (запись)
• Мартин Хубер читал про каузальные леса (causal forests) и двойное машинное обучение (double machine learning) с примерами на R (запись)

Любопытно, но пока мы писали этот обзор, заметили, что эти три направления очень хорошо ложатся в двенадцать вызовов, которые статистики поставили себе на десятилетие

Новый сезон лекций обычно объявляют осенью – будем следить за анонсами!

#канал_рекомендует
@causal_channel