Forschungsgruppe Statistische Methoden der Kausalen Inferenz

Forschungsgruppe Statistische Methoden der Kausalen Inferenz

Die Forschungsgruppe befasst sich mit statistischen Methoden, um aus Beobachtungsstudien möglichst zuverlässige Schlüsse darüber zu ziehen, welches die zu erwartenden Konsequenzen von konkreten (manchmal auch hypothetischen) Interventionen sein würden. Solche Erkenntnisse tragen wesentlich zur Planung zukünftiger Interventionsstudien bei und sind letztlich für die Entscheidungsfindung im öffentlichen Gesundheitswesen von entscheidender Bedeutung, insbesondere in Hinblick auf präventive Maßnahmen und Strategien. Die statistische Herausforderung liegt darin, dass Schwachstellen der verfügbaren Daten, z.B. fehlende oder imperfekte Randomisierung, nicht-zufällige Selektion oder Drop-out etc., so gut wie möglich entgegengewirkt wird bzw. diese adäquat berücksichtigt und z.B. mitmodelliert werden.

Der Schwerpunkt dieser Forschungsgruppe liegt darauf, die theoretischen und praktischen Eigenschaften relevanter Methoden näher zu analysieren und zu vergleichen, aber vor allem auch solche Methoden zu entwickeln und bereitzustellen, die für konkrete Studienauswertungen im BIPS wesentlich sind. Eine Grundvoraussetzung dazu ist ein detailliertes Verständnis und Durchleuchten der jeweiligen Annahmen, so dass diese empirisch und durch Vorwissen gerechtfertigt werden können.

Die Forschungsinteressen der Forschungsgruppe sind:

  • Confounderselektion und -adjustierung
  • Modellierung und Methoden der kausalen Pfadanalyse
  • kausale Modellierung und Methoden für zeitabhängige Daten, vor allem veränderliche Expositionen
  • Instrumentelle Variablen, insbesondere „Mendelian Randomisation“
  • Bias Modellierung und Analyse

Ausgewählte Veröffentlichungen

    Zeitschriftenartikel mit peer-review

  • Vansteelandt S, Didelez V. Improving the robustness and efficiency of covariate adjusted linear instrumental variable estimators. Scandinavian Journal of Statistics, Theory and Applications. 2018; (Epub 2018 May 24).
    http://dx.doi.org/10.1111/sjos.12329
  • Jones E, Didelez V. Thinning a triangulation of a Bayesian network or undirected graph to create a minimal triangulation. International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems. 2017;25(3):1750014.
    http://dx.doi.org/10.1142/S0218488517500143
  • Farewell D, Huang C, Didelez V. Ignorability for general longitudinal data. Biometrika. 2017;104(2):317-326.
    http://dx.doi.org/10.1093/biomet/asx020
  • Buchbeiträge

  • Didelez V, Evans R. Causal inference from case-control studies. In: Borgan O, Breslow N, Chatterjee N, Gail M, Scott A, Wild C, Herausgeber. Handbook of statistical methods for case-control studies. Boca Raton, Florida: Chapman & Hall/CRC. 2018. S. 87-115.
  • Commentaries

  • Didelez V. Discussion on 'Causal inference by using invariant prediction: Identification and confidence intervals' by Peters, Bühlmann, Meinshausen. Journal of the Royal Statistical Society. Series B (Statistical Methodology). 2016;78(5):990-991.
    http://dx.doi.org/10.1111/rssb.12167.

Mitarbeiter und Mitarbeiterinnen

Andrews, Ryan
Tel.: +49 (0)421 218-56933
Fax: +49 (0)421 218-56941
andrews(at)leibniz-bips.de

Didelez, Vanessa, Prof. Dr. rer. nat.
Tel.: +49 (0)421 218-56939
Fax: +49 (0)421 218-56941
didelez(at)leibniz-bips.de

Witte, Janine
Tel.: +49 (0)421 218-56938
Fax: +49 (0)421 218-56941
witte(at)leibniz-bips.de