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
  • Target Trial Emulierung (siehe AG GeTTCausal)
  • 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

  • Braitmaier M, Didelez V. Emulierung von Target Trials mit Real World Daten - Ein allgemeines Prinzip, um den Herausforderungen von Beobachtungsdaten zu begegnen. Prävention und Gesundheitsförderung. 2023; (Epub 2022 Jul 29).
    https://doi.org/10.1007/s11553-022-00967-9
  • Witte J, Foraita R, Didelez V. Multiple imputation and test-wise deletion for causal discovery with incomplete cohort data. Statistics in Medicine. 2022;41(23):4716-4743.
    https://doi.org/10.1002/sim.9535
  • Didelez V, Stensrud MJ. On the logic of collapsibility for causal effect measures. Biometrical Journal. 2022;64(2):235-242. (This paper has been recognized as a top cited and top downloaded research article from 2021-2022 in Biometrical Journal).
    https://doi.org/10.1002/bimj.202000305
  • Stensrud MJ, Young JG, Didelez V, Robins JM, Hernán MA. Separable effects for causal inference in the presence of competing events. Journal of the American Statistical Association. 2022;117(537):175-183.
    https://doi.org/10.1080/01621459.2020.1765783
  • Morris TT, Heron J, Sanderson E, Smith GD, Didelez V, Tilling K. Interpretation of Mendelian randomization using a single measure of an exposure that varies over time. International Journal of Epidemiology. 2022;51(6):1899-1909.
    https://doi.org/10.1093/ije/dyac136
  • Braitmaier M, Schwarz S, Kollhorst B, Senore C, Didelez V, Haug U. Screening colonoscopy similarly prevented distal and proximal colorectal cancer: A prospective study among 55-69-year-olds. Journal of Clinical Epidemiology. 2022;149:118-126.
    https://doi.org/10.1016/j.jclinepi.2022.05.024
  • Börnhorst C, Reinders T, Rathmann W, Bongaerts B, Haug U, Didelez V, Kollhorst B. Avoiding time-related biases: A feasibility study on antidiabetic drugs and pancreatic cancer applying the parametric g-formula to a large German healthcare database. Clinical Epidemiology. 2021;(13):1027-1038.
    https://doi.org/10.2147/CLEP.S328342
  • Andrews R, Didelez V. Insights into the cross-world independence assumption of causal mediation analysis. Epidemiology. 2021;32(2):209-219.
    https://doi.org/10.1097/EDE.0000000000001313
    https://repository.publisso.de/resource/frl%3A6425953
  • Brydges CR, Carlson MC, Andrews R, Rebok GW, Bielak AAM. Using cognitive intraindividual variability to measure intervention effectiveness: Results from the Baltimore experience corps trial. The Journals of Gerontology. Series B, Psychological Sciences and Social Sciences. 2021;76(4):661-670.
    https://doi.org/10.1093/geronb/gbaa009
  • Stensrud MJ, Hernán MA, Tchetgen Tchetgen E, Robins JM, Didelez V, Young JG. A generalized theory of separable effects in competing event settings. Lifetime Data Analysis. 2021;27(4):588-631. (This paper was one of 2021’s top downloaded Lifetime Data Analysis research articles).
    https://doi.org/10.1007/s10985-021-09530-8
  • Witte J, Henckel L, Maathuis MH, Didelez V. On efficient adjustment in causal graphs. Journal of Machine Learning Research. 2020;21(246):1-45.
    http://jmlr.org/papers/v21/20-175.html
  • Andrews R, Shpitser I, Lopez O, Longstreth WT, Chaves PH, Kuller L, Carlson MC. Examining the causal mediating role of brain pathology on the relationship between diabetes and cognitive impairment: The Cardiovascular Health Study. Journal of the Royal Statistical Society. Series A (Statistics in Society). 2020;183(4):1705-1726.
    https://doi.org/10.1111/rssa.12570
  • Foraita R, Friemel J, Günther K, Behrens T, Bullerdiek J, Nimzyk R, Ahrens W, Didelez V. Causal discovery of gene regulation with incomplete data. Journal of the Royal Statistical Society. Series A (Statistics in Society). 2020;183(4):1747-1775.
    https://doi.org/10.1111/rssa.12565
  • Aalen OO, Stensrud MJ, Didelez V, Daniel R, Roysland K, Strohmaier S. Time-dependent mediators in survival analysis: Modeling direct and indirect effects with the additive hazards model. Biometrical Journal. 2020;62(3):532-549. (This paper has been recognized as a top cited research article from 2020-2021 in Biometrical Journal).
    https://doi.org/10.1002/bimj.201800263
    https://ui.adsabs.harvard.edu/abs/2020arXiv201113415A/abstract
  • Witte J, Didelez V. Covariate selection strategies for causal inference: Classification and comparison. Biometrical Journal. 2019;61(5):1270-1289.
    https://doi.org/10.1002/bimj.201700294
  • Didelez V. Defining causal mediation with a longitudinal mediator and a survival outcome. Lifetime Data Analysis. 2019;25(4):593-610. (This paper was one of 2020’s top downloaded and one of 2021's top cited Lifetime Data Analysis research articles).
    https://doi.org/10.1007/s10985-018-9449-0
  • Vansteelandt S, Didelez V. Improving the robustness and efficiency of covariate-adjusted linear instrumental variable estimators. Scandinavian Journal of Statistics, Theory and Applications. 2018;45(4):941-961.
    https://doi.org/10.1111/sjos.12329
    https://researchonline.lshtm.ac.uk/id/eprint/4658753/
  • Farewell D, Huang C, Didelez V. Ignorability for general longitudinal data. Biometrika. 2017;104(2):317-326.
    https://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: Chapman & Hall/CRC. 2018. S. 87-115.
  • Didelez V. Causal concepts and graphical models. In: Maathuis M, Drton M, Lauritzen SL, Wainwright M, Herausgeber. Handbook of graphical models. Boston: CRC Press. 2018. S. 353-380.

    • Vorträge bei wissenschaftlichen Tagungen (eingeladen)

  • Didelez V. Causal estimands and interventions. "Learning from Interventions"-Workshop at the Simons Institute for the Theory of Computing, 14-17 February 2022, Berkeley, USA.
  • Didelez V. Causal reasoning in survival and time-to-event analyses. Online Causal Inference Seminar, 1 December 2020, online presentation.

    • Poster bei wissenschaftlichen Tagungen

  • Bang CW, Witte J, Foraita R, Didelez V. Efficient use of temporal background knowledge for causal discovery with cohort data. American Causal Inference Conference (ACIC), 23-25 May 2022, Berkeley, USA.
  • Foraita R, Witte J, Börnhorst C, Pigeot I, Didelez V, on behalf of the I.Family and GrowH! consortia. A longitudinal causal graph analysis investigating modifiable risk factors and obesity in a European cohort of children and adolescents. 6. Konferenz der Deutschen Arbeitsgemeinschaft Statistik (DAGStat), 28. März-1. April 2022, Hamburg.

    • Commentaries

  • Didelez V. Seconder of the vote of thanks to Vansteelandt and Dukes and contribution to the Discussion "Assumption-lean inference for generalized linear model parameters". Journal of the Royal Statistical Society. Series B (Statistical Methodology). 2022;84(3):689-691.
    https://doi.org/10.1111/rssb.12514
  • Fulcher I, Shpitser I, Didelez V, Zhou K, Scharfstein DO. Discussion on "Causal mediation of semicompeting risks" by Yen-Tsung Huang. Biometrics. 2021;77(4):1165-1169.
    https://doi.org/10.1111/biom.13519

Vanessa Didelez
Stv. Abteilungsleiterin (Forschungsgruppenleiterin)

Kontakt:
Prof. Dr. rer. nat.
Vanessa Didelez
Tel: +49 (0)421 218-56939
Fax: +49 (0)421 218-56941

Email:
didelez(at)leibniz-bips.de

Weitere Fach- und Forschungsgruppen