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]] |