“James Robins”的版本间的差异

来自集智百科 - 复杂系统|人工智能|复杂科学|复杂网络|自组织
跳到导航 跳到搜索
第26行： 第26行：
 
}}
 
}}
  
−
'''James M. Robins''' is an [[epidemiologist]] and biostatistician best known for advancing methods for drawing [[causality|causal]] [[inference]]s from complex [[observational study|observational studies]] and [[randomized trial]]s, particularly those in which the treatment varies with time. He is the 2013 recipient of the [[Nathan Mantel]] Award for lifetime achievement in statistics and epidemiology.
+
'''James M. Robins''' is an [[epidemiologist]] and biostatistician best known for advancing methods for drawing [[causality|causal]] [[inference]]s from complex [[observational study|observational studies]] and [[randomized trial]]s, particularly those in which the treatment varies with time. He is the 2013 recipient of the [[Nathan Mantel]] Award for lifetime achievement in statistics and epidemiology.<!-- 全文该人物的称谓统一 -->
  
 
【终译】詹姆斯 · M · 罗宾斯是一位流行病学家和生物统计学家，他最著名的研究方法是从复杂的观察研究和随机试验中提取因果推论，特别是那些治疗随时间变化的试验。他是2013年内森 · 曼特尔统计学和流行病学终身成就奖的获得者。
 
【终译】詹姆斯 · M · 罗宾斯是一位流行病学家和生物统计学家，他最著名的研究方法是从复杂的观察研究和随机试验中提取因果推论，特别是那些治疗随时间变化的试验。他是2013年内森 · 曼特尔统计学和流行病学终身成就奖的获得者。
第51行： 第51行：
 
罗宾斯博士研究的主要重点是开发分析方法，这些方法适合于从复杂的观察性和随机性研究中得出因果推论，这些研究采用了时变的暴露或治疗方法。新方法在很大程度上是基于一类新的因果模型——结构嵌套模型——的参数估计，使用一类新的估计器—— G估计器。
 
罗宾斯博士研究的主要重点是开发分析方法，这些方法适合于从复杂的观察性和随机性研究中得出因果推论，这些研究采用了时变的暴露或治疗方法。新方法在很大程度上是基于一类新的因果模型——结构嵌套模型——的参数估计，使用一类新的估计器—— G估计器。
  
−
估计时变治疗或暴露对疾病时间的影响的通常方法是使用时间依赖的 Cox 比例风险模型，将时间 t 的失败危险发生率作为过去治疗历史的函数来建模。Robins 博士指出，在以下情况下，无论是否在分析时进一步调整过去混淆的历史，通常的方法都可能有偏见:
+
估计时变治疗或暴露对疾病时间的影响的通常方法是使用时间依赖的 Cox 比例风险模型，将时间 t 的失败危险发生率作为过去治疗历史的函数来建模。Robins 博士指出，在以下情况下，无论是否在分析时进一步调整过去混淆的历史，通常的方法都可能有偏见:<!-- 看看能不能找到对应的图片 -->
  
 
(A1)感兴趣的事件存在一个时间相关的危险因素或预测因素，可以预测随后的治疗
 
(A1)感兴趣的事件存在一个时间相关的危险因素或预测因素，可以预测随后的治疗
第170行： 第170行：
 
* 格尔曼，伊丽莎白(2006年3月23日) ：“詹姆斯 · 罗宾斯让统计数据说出真相: 数字服务于健康”哈佛大学公报。
 
* 格尔曼，伊丽莎白(2006年3月23日) ：“詹姆斯 · 罗宾斯让统计数据说出真相: 数字服务于健康”哈佛大学公报。
 
* [https://www.hsph.harvard.edu/james-robins/ James Robins个人主页]
 
* [https://www.hsph.harvard.edu/james-robins/ James Robins个人主页]
 +
* [https://scholar.google.com/citations?user=RKGsk9cAAAAJ&hl=en James Robins谷歌学术链接]
  
 
== 编者推荐 ==
 
== 编者推荐 ==
第189行： 第190行：
  
 
CLeaR (Causal Learning and Reasoning) 2022国际会议将在2022年4月11-13日举行。本次会议邀请因果科学领域的学者包括Judea Pearl、Alison Gopnik、James Robins、Peter Spirtes等人共同探讨因果学习与推理的最新进展，因果关系是科学和工程领域的一个基本概念。一方面，在过去的几十年里，因果发现、因果推理和因果机器学习中一些最具影响力的发展都是跨学科努力的结果。已经出现了许多机器学习和统计方法用于处理经典的因果发现和推理问题。另一方面，因果观已被证明能够促进形成、理解和解决迁移学习、强化学习和深度学习中的许多机器学习难题。CLeaR 2022将于2022年4月11日至13日在美国加利福尼亚州尤里卡举行，国内学者可线上参与。会议更多介绍详见：<nowiki>https://www.cclear.cc/2022</nowiki>
 
CLeaR (Causal Learning and Reasoning) 2022国际会议将在2022年4月11-13日举行。本次会议邀请因果科学领域的学者包括Judea Pearl、Alison Gopnik、James Robins、Peter Spirtes等人共同探讨因果学习与推理的最新进展，因果关系是科学和工程领域的一个基本概念。一方面，在过去的几十年里，因果发现、因果推理和因果机器学习中一些最具影响力的发展都是跨学科努力的结果。已经出现了许多机器学习和统计方法用于处理经典的因果发现和推理问题。另一方面，因果观已被证明能够促进形成、理解和解决迁移学习、强化学习和深度学习中的许多机器学习难题。CLeaR 2022将于2022年4月11日至13日在美国加利福尼亚州尤里卡举行，国内学者可线上参与。会议更多介绍详见：<nowiki>https://www.cclear.cc/2022</nowiki>
 +
 
[[Category:待整理页面]]
 
[[Category:待整理页面]]

2022年6月13日 (一) 19:34的版本

此词条暂由我是猫翻译，趣木木编写，未经人工整理和审校，带来阅读不便，请见谅。

模板:Distinguish

詹姆斯·M·罗宾斯
220px
Nationality美国
Alma mater圣路易斯华盛顿大学
哈佛大学
Awards内森·曼特尔 奖 (2013)
Scientific career
Fields流行病学
Institutions哈佛大学公共卫生学院

James M. Robins is an epidemiologist and biostatistician best known for advancing methods for drawing causal inferences from complex observational studies and randomized trials, particularly those in which the treatment varies with time. He is the 2013 recipient of the Nathan Mantel Award for lifetime achievement in statistics and epidemiology.

【终译】詹姆斯 · M · 罗宾斯是一位流行病学家和生物统计学家，他最著名的研究方法是从复杂的观察研究和随机试验中提取因果推论，特别是那些治疗随时间变化的试验。他是2013年内森 · 曼特尔统计学和流行病学终身成就奖的获得者。

He graduated in medicine from Washington University in St. Louis in 1976. He is currently Mitchell L. and Robin LaFoley Dong Professor of Epidemiology at Harvard T.H. Chan School of Public Health. He has published over 100 papers in academic journals and is an ISI highly cited researcher.[1]

【终译】他于1976年在圣路易斯华盛顿大学毕业，获得医学学位。目前，他担任哈佛大学陈曾熙公共卫生学院传染病系的米切尔和罗宾 · 拉弗利东校级教授。他在学术期刊上发表了超过100篇论文，是科学信息研究所的高引用学者[1]。

个人自传

Robins attended Harvard College with the class of 1971, concentrating in mathematics and philosophy. He was elected to Phi Beta Kappa in his junior year, but did not graduate. He went on to attend Washington University School of Medicine, graduating in 1976,[2] and practiced Occupational Medicine for several years. While working in occupational medicine, he attended basic courses in applied medical statistics at the Yale School of Public Health, but quickly came to the conclusion that the methodology used at the time was insufficiently rigorous to support causal conclusions.

【终译】罗宾斯于1971年进入哈佛大学，主修数学和哲学。在大三时被选为斐陶斐荣誉学会会员，但并未毕业，之后他进入华盛顿大学医学院，于1976年毕业[2]，并从事职业医学多年。在以职业医学领域从事期间，他参加了耶鲁大学公共卫生学院应用统计学的基础课程，但很快得出结论，当时使用的方法不够严谨，无法支撑因果结论。

研究领域

In 1986, Robins published the paper "A New Approach to Causal Inference in Mortality Studies", which introduced a new framework for drawing causal inference from observational data. In this paper and in other articles published around the same time, Robins showed that in non-experimental data, exposure is almost always time-dependent, and that standard methods such as regression are therefore almost always biased. This framework is mathematically very closely related to Judea Pearl's graphical framework Non-Parametric Structural Equations Models, which Pearl developed independently shortly thereafter. Pearl's graphical models are a more restricted version of this theory.[3]

【终译】1986年，罗宾斯发表了《死亡率研究中因果推断的新方法》一文，该文介绍了一个从观测数据中进行因果推断的新框架。在这篇论文以及同时期发表的其他文章中，罗宾斯指出，在非实验数据中，暴露几乎总是与时间有关，因此回归等标准方法几乎总是带有偏差。这个框架在数学上和朱迪亚·珀尔不久之后自主研发的图形框架非参数结构方程模型是非常密切相关的。不过珀尔的图模型是这个理论的一个更加受限的版本[3]。

In his original paper on causal inference, Robins described two new methods for controlling for confounding bias, which can be applied in the generalized setting of time-dependent exposures: The G-formula and G-Estimation of Structural Nested Models. Later, he introduced a third class of models, Marginal Structural Models, in which the parameters are estimated using inverse probability of treatment weights. He has also contributed significantly to the theory of dynamic treatment regimes, which are of high significance in comparative effectiveness research and personalized medicine. Together with Andrea Rotnitzky and other colleagues, in 1994 he introduced doubly robust estimators (derived from the influence functions) for statistical parameters in causal inference and missing data problems. The theory for doubly robust estimators has been highly influential in the field of [causal inference] and has influenced practice in computer science, biostatistics, epidemiology, machine learning, social sciences, and statistics.[4][5] In 2008, he also developed the theory of higher-order influence functions for statistical functional estimation with collaborators including Lingling Li, Eric Tchetgen Tchetgen, and Aad van der Vaart.

【终译】在其关于因果推断的原始论文中，罗宾斯描述了两种新的控制混杂偏差的方法，这两种方法可以应用于与时间相关暴露的广义设定: 结构嵌套模型的 G公式和 G 估计。后来，他介绍了第三类模型，边际结构模型，其中的参数估计使用逆概率处理权重。他还对动态治疗机制的理论做出了重要贡献，这在比较效益研究和个体化医学中都具有重要意义。1994年，他与安德里亚 · 罗特尼茨基及其他同事一起，为因果推断和缺失数据问题中的统计参数引入了双重稳健估计(由影响函数导出)。双重稳健估计理论在因果推断领域具有很大的影响力，并影响了计算机科学、生物统计学、流行病学、机器学习、社会科学和统计学的实践[4][5]。2008年，他还与李，艾瑞克和阿德合作，发展了用于统计功能估计的高阶影响函数理论。

研究重点

罗宾斯博士研究的主要重点是开发分析方法，这些方法适合于从复杂的观察性和随机性研究中得出因果推论，这些研究采用了时变的暴露或治疗方法。新方法在很大程度上是基于一类新的因果模型——结构嵌套模型——的参数估计，使用一类新的估计器—— G估计器。

估计时变治疗或暴露对疾病时间的影响的通常方法是使用时间依赖的 Cox 比例风险模型，将时间 t 的失败危险发生率作为过去治疗历史的函数来建模。Robins 博士指出，在以下情况下，无论是否在分析时进一步调整过去混淆的历史，通常的方法都可能有偏见:

(A1)感兴趣的事件存在一个时间相关的危险因素或预测因素，可以预测随后的治疗

(A2)过去的治疗史可以预测随后的危险因素水平

条件 (A1) 和 (A2) 只要​​存在同时是混杂因素和中间变量的时间相关协变量就会成立。

与先前提出的方法相比，罗宾斯博士的方法可以：

用于估计治疗（例如，预防 PCP）或暴露对疾病结果的影响，同时存在时变协变量（例如，PCP 发作次数），这些变量同时是暴露疾病的因果途径；

允许分析师在随机临床试验中针对并发非随机治疗或非随机不依从性的影响进行适当调整。例如，在 AIDS 临床试验组 (ACTG) 试验 002 中，高剂量与低剂量 AZT 对 AIDS 患者生存率的影响，低剂量组患者的生存率有所提高，但他们也服用了更多的雾化剂——喷他脒（非随机同时治疗）；

允许分析人员充分整合有关替代标志物的信息（例如，CD4 计数），以便尽早停止对治疗效果的随机试验（例如，AZT）关于生存。 罗宾斯在ACTG 试验 002 中应用他的方法分析了非随机治疗雾化喷他脒对 AIDS 患者生存的影响；砷暴露对蒙大拿州铜冶炼厂工人死亡率的影响；甲醛对一组美国化学工作者呼吸系统疾病死亡率的影响；以及在 MRFIT（多重危险因素干预试验） 随机试验中戒烟对随后的心肌梗塞和死亡的影响。

个人荣誉

2013年8月13日ーー詹姆斯 · 罗宾斯(James Robins)获得了2013年南森 · 曼特尔终身统计和流行病学成就奖，他在统计科学和流行病学交叉领域的工作旨在评估暴露或药物治疗的因果效应而不仅仅是联系。

自1982年以来一直在哈佛大学公共卫生学院工作的流行病学教授 Robins及其同事开发了分析方法和评估模型，以量化因果关系、误差幅度和复杂观察和随机研究中缺失的数据，特别是在暴露或治疗随时间变化的情况下。

例如，在过去的五年里，他用自己的方法分析了空气颗粒物污染对死亡率的影响，并解释和调和了绝经后激素治疗对心脏病的估计益处的差异。此外，在研究肥胖对死亡率的影响时，他用自己的方法消除了“反向因果关系”的偏差ーー这里指的是未确诊的癌症患者体重减轻但很快死亡，从而使体重减轻错误地显得有害。

内森 · 曼特尔奖(Nathan Mantel Award)是以美国国家癌症研究所(National Cancer Institute)一位资深生物统计学家的名字命名的，他于2002年去世。他的方法可以将来自多个来源或群体的数据结合起来，同时避免混淆——当暴露与疾病之间的关联没有考虑到其他可能的风险因素时。该奖项每年由美国统计协会流行病学统计部门颁发。罗宾斯于2013年8月5日在蒙特利尔举行的联合统计会议上获奖。

精选发表论文

  • Robins, J.M. (1989). "The control of confounding by intermediate variables". Statistics in Medicine. 8 (6): 679–701. doi:10.1002/sim.4780080608. PMID 2749074.
  • Robins, J.M.; Tsiatis, A.A. (1991). "Correcting for non-compliance in randomized trials using rank preserving structural failure time models". Communications in Statistics - Theory and Methods. 20 (8): 2609–2631. doi:10.1080/03610929108830654.
  • Robins, J.M. (1994). "Correcting for non-compliance in randomized trials using structural nested mean models". Communications in Statistics - Theory and Methods. 23 (8): 2379–2412. doi:10.1080/03610929408831393.
  • Robins, J.M. (1997). "Causal inference from complex longitudinal data". In M. Berkane. Latent Variable Modeling and Applications to Causality. Lecture Notes in Statistics. 120. Springer-Verlag. pp. 69–117. 
  • Robins, J.M.; Ritov, Y. (1997). "Toward A Curse Of Dimensionality Appropriate (CODA) Asymptotic Theory For Semi-parametric Models". Statistics in Medicine. 16 (3): 285–319. doi:10.1002/(SICI)1097-0258(19970215)16:3<285::AID-SIM535>3.3.CO;2-R. PMID 9004398.
  • Robins, J.M. (1998). "Correction for non-compliance in equivalence trials". Statistics in Medicine. 17 (3): 269–302. doi:10.1002/(SICI)1097-0258(19980215)17:3<269::AID-SIM763>3.0.CO;2-J. PMID 9493255.
  • Robins, J.M.; Hernan, M.A.; Brumback, B. (2000). "Marginal Structural Models and Causal Inference in Epidemiology". Epidemiology. 11 (5): 550–560. CiteSeerX 10.1.1.116.7039. doi:10.1097/00001648-200009000-00011. JSTOR 3703997. PMID 10955408. S2CID 8907527.
  • van der Laan, M.J.; Robins, J.M. (2003). Unified Methods for Censored Longitudinal Data and Causality. Springer Series in Statistics. Springer. ISBN 978-0-387-95556-8. 

参考文献

  1. ↑ 1.0 1.1 Robins, James at ISIHighlyCited.com
  2. ↑ 2.0 2.1 Thomas S. Richardson and Andrea Rotnitzky, Causal Etiology of the Research of James M. Robins, Statist. Sci. 29 (4) 459-484, 2014. doi:10.1214/14-STS505
  3. ↑ 3.0 3.1 Single World Intervention Graphs (SWIGs): A Unification of the Counterfactual and Graphical Approaches to Causality https://csss.uw.edu/files/working-papers/2013/wp128.pdf
  4. ↑ 4.0 4.1 Michele Jonsson Funk, Daniel Westreich, Chris Wiesen, Til Stürmer, M. Alan Brookhart, Marie Davidian, Doubly Robust Estimation of Causal Effects, American Journal of Epidemiology, Volume 173, Issue 7, 1 April 2011, Pages 761–767, https://doi.org/10.1093/aje/kwq439
  5. ↑ 5.0 5.1 https://towardsdatascience.com/double-machine-learning-for-causal-inference-78e0c6111f9d Retrieved 28 November 2021.

外部链接

  • 詹姆斯 · 罗宾斯ー米切尔和罗宾 · 拉弗利东流行病学教授。哈佛大学公共卫生学院(2008年3月15日访问)。
  • 詹姆斯 · 罗宾斯博士ー自传 哈佛大学公共卫生学院书目(2008年3月15日访问)。
  • 格尔曼，伊丽莎白(2006年3月23日) ：“詹姆斯 · 罗宾斯让统计数据说出真相: 数字服务于健康”哈佛大学公报。
  • James Robins个人主页
  • James Robins谷歌学术链接

编者推荐

集智俱乐部推文推荐

好的观察性研究与差的观察性研究 | 周日直播·因果科学读书会

会议预告丨CLeaR (Causal Learning and Reasoning) 2022国际会议4月11-13日举办

CLeaR (Causal Learning and Reasoning) 2022国际会议将在2022年4月11-13日举行。本次会议邀请因果科学领域的学者包括Judea Pearl、Alison Gopnik、James Robins、Peter Spirtes等人共同探讨因果学习与推理的最新进展，因果关系是科学和工程领域的一个基本概念。一方面，在过去的几十年里，因果发现、因果推理和因果机器学习中一些最具影响力的发展都是跨学科努力的结果。已经出现了许多机器学习和统计方法用于处理经典的因果发现和推理问题。另一方面，因果观已被证明能够促进形成、理解和解决迁移学习、强化学习和深度学习中的许多机器学习难题。CLeaR 2022将于2022年4月11日至13日在美国加利福尼亚州尤里卡举行，国内学者可线上参与。会议更多介绍详见：https://www.cclear.cc/2022

取自“https://wiki.swarma.org/index.php?title=James_Robins&oldid=32158”