2 kredit, 8 kontakt óra + 6 óra önálló tanulás
Tárgyfelelős: Dr. Lang Zsolt
A tárgy célja bevezetés az oksági következtetés statisztikai módszereibe. Az alkalmazási lehetőségeket a kapcsolódó R csomagok felhasználásával ismerjük meg.
Tematika:
Propenzitás, instrumentális változó, mendeli randomizáció, IPTW (inverse probability of treatment weighting).
Ajánlott irodalom:
Rosenbaum PR, Rubin DB (1983). The central role of the propensity score in observational studies for causal effects. Biometrika, 70(1), 41-55.
D’Agostino Jr, RB (1998). Propensity score methods for bias reduction in the comparison of a treatment to a non‐randomized control group. Statistics in medicine, 17(19), 2265-2281.
Ho DE, Imai K, King G, Stuart EA (2011). MatchIt: nonparametric preprocessing for parametric causal inference. Journal of Statistical Software, 42(8), 1-28, http://gking.harvard.edu/matchit
Smith GD, Ebrahim S (2003). ‘Mendelian randomization’: can genetic epidemiology contribute to understanding environmental determinants of disease? International Journal of Epidemiology 32(1), pp. 1–22.
Hernán, MA, Robins, JM (2020). Causal inference: What if. Boca Raton: Chapman & Hill/CRC. van der Wal WM, Geskus RB (2011). ipw: an R package for inverse probability weighting. J Stat Softw, 43(13), 1-23.
Robins JM, Hernán MA, Brumback B (2000). Marginal Structural Models and Causal Inference in Epidemiology, Epidemiology 11(5), 550-560.
Hernán MA, Brumback B, Robins JM (2001): Marginal Structural Models to Estimate the Joint
Causal Effect of Nonrandomized Treatments. J Am Stat Assoc. 2001;96:440–448.
Robins JM (1999): Marginal Structural Models versus Structural Nested Models as Tools for Causal Inference. In ’Statistical Models in Epidemiology: The Environment and Clinical Trials.’
M.E. Halloran and D. Berry, Editors, NY: Springer-Verlag, pp 95-134.
Számonkérés:
Szóbeli online vizsga (elméleti kérdések).