Séminaire CIMMUL | Mireille Schnitzer

Sélection de variables et lissage de modèles non paramétriques pour l'inférence causale longitudinale

Mireille Schnitzer

Université de Montréal

Résumé

L'inférence causale longitudinale permet de déterminer comment des expositions variant dans le temps influencent les résultats. Les modèles structurels marginaux constituent l'un des moyens de représenter les effets causaux dans ce contexte. Dans les études observationnelles, il est nécessaire d’ajuster pour tout facteur de confusion initial et dépendant du temps, généralement à l'aide de scores de propension, de modèles de résultats, ou des deux. Cependant, ces ajustements réduisent considérablement la puissance statistique, parfois inutilement, notamment lorsque l'effet causal peut être estimé avec un ajustement plus limité. Un lissage ad hoc du modèle statistique est généralement recommandé afin de rendre le problème d'estimation gérable ou de réduire la variance d'estimation. Cependant, si ce lissage ad hoc est incorrect, cela peut induire un biais dans l'estimation causale. Dans cette présentation, j'expliquerai tout d'abord…