[Probabilidad-Estadistica-Seminario] Aviso de Charla en UTDT y Jornadas virtuales en Chile

[Nicolás Frevenza]

Hola, les reenvío dos cosas que pueden interesarles:

1) Una charla de estadística en la Universidad Torcuato Di Tella.

2) Unas jornadas de ingeniería estadística (virtuales) para enero.

Saludos

Nicolás

--------------



Seminario presentado por Andrea Rotnitzky
OPTIMAL ADJUSTMENT SETS IN NON-PARAMETRIC GRAPHICAL MODELS
Miércoles 18/11, 17h

*Abstract*

*In this talk I will consider the selection of potential confounding
variables at the stage of the design of a planned observational study.
Given a tentative non-parametric graphical causal model, possibly including
unobservable variables, the aim is to select the set of observable
covariates that both suffices to control for confounding under the model
and yields a non-parametric estimator of the causal contrast of interest
with smallest variance. For studies without unobservables aimed at
assessing the effect of a static point exposure I will show that graphical
rules recently derived for identifying optimal covariate adjustment sets in
linear causal graphical models and treatment effects estimated via ordinary
least squares also apply in the non-parametric setting. Moreover, in graphs
with unobservable variables, but with at least one adjustment set fully
observable, I will show that there exist adjustment sets that are minimal
optimal, yielding non-parametric estimators with the smallest variance
among those that control for observable adjustment sets that are minimal.
Finally, for graphs without unobservables and point interventions, I will
describe a sound and complete graphical criterion for determining when a
non-parametric optimally adjusted estimator of the population average
causal effect contrast is semiparametric efficient under the non-parametric
causal graphical model.*

Joint work with Ezequiel Smucler and Facundo Sapienza.
References:
1) Rotnitzky and Smucler, (2020). Efficient adjustment sets for population
average causal treatment effect estimation in graphical models. Journal of
Machine Learning Research, 21(188):1−86,
https://jmlr.org/papers/v21/19-1026.html

2) Smucler, Sapienza and Rotnitzky, (2020). Efficient adjustment sets in
causal graphical models with hidden variables.
https://arxiv.org/abs/2004.10521

*Andrea Rotnitzky* Ph.D. in Statistics, University of California, Berkeley.
Profesora plenaria del Departamento de Economía de UTDT, profesora adjunta
de Harvard School of Public Health e investigadora principal del CONICET.
Tiene más de 70 artículos científicos publicados en las más prestigiosas
revistas internacionales de estadística, como *Biometrika, Journal of the
American Statistical Association, Biometrics* y *Journal of the Royal
Statistical Science*. Fue editora asociada de *Biometrics, Annals of
Statistics, Statistical Science  y Journal of Causal Inference*.
Actualmente es editora asociada de *Journal of the American Statistical
Association*. Además, formó parte de comisiones *ad hoc* de The National
Academies of Sciences, Estados Unidos.

*Zoom Meeting*
https://utdt.zoom.us/j/93862020967

----------------------------------

Estimados colegas,

junto con saludar y esperando que se encuentren bien, me permito compartir
el evento realizado por el Departamento de Estadística de la Universidad
del Bío-Bío.

Las Jornadas de Ingeniería Estadística son un evento gratuito, que tiene
por objetivo orientar a los estudiantes de pre y postgrado en las diversas
áreas de la estadística. Para su tercera versión, en formato online, se han
escogido: Series de Tiempo, Bioestadística y Machine Learning.

Las inscripciones están abiertas en el siguiente link

http://jornadasestadistica.ubiobio.cl/

Agradecería puedan difundir entre sus estudiantes y contactos.

Saludos cordiales
------------ próxima parte ------------
Se ha borrado un adjunto en formato HTML...
URL: <http://www.cmat.edu.uy/pipermail/seminario-probabilidad-estadistica/attachments/20201116/5c98a7f8/attachment.html>