James M. Robins es un epidemiólogo y bioestadístico conocido por promover métodos para extraer inferencias causales de estudios observacionales complejos y ensayos aleatorios , en particular aquellos en los que el tratamiento varía con el tiempo. Recibió en 2013 el premio Nathan Mantel por su trayectoria en estadística y epidemiología, y recibió el premio Rousseeuw en estadística en 2022, junto con Miguel Hernán , Eric Tchetgen-Tchetgen, Andrea Rotnitzky y Thomas Richardson. [1]
Se graduó en medicina en la Universidad de Washington en St. Louis en 1976. Actualmente es profesor de Epidemiología Mitchell L. y Robin LaFoley Dong en la Escuela de Salud Pública TH Chan de Harvard . Ha publicado más de 100 artículos en revistas académicas y es un investigador altamente citado por el ISI . [2]
Robins asistió a la Universidad de Harvard con la clase de 1971, concentrándose en matemáticas y filosofía. Fue elegido miembro de Phi Beta Kappa , pero no se graduó. Asistió a la Facultad de Medicina de la Universidad de Washington, donde se graduó en 1976, [3] y ejerció la Medicina del Trabajo durante varios años. Mientras trabajaba en medicina del trabajo, asistió a cursos básicos de estadística médica aplicada en la Escuela de Salud Pública de Yale , pero rápidamente llegó a la conclusión de que la metodología utilizada en ese momento no era lo suficientemente rigurosa como para respaldar conclusiones causales.
En 1986, Robins introdujo un nuevo marco para extraer inferencias causales a partir de datos observacionales. [4] En este y otros artículos publicados en la misma época, Robins demostró que en los datos no experimentales, la exposición casi siempre depende del tiempo y que, por lo tanto, los métodos estándar, como la regresión, casi siempre están sesgados. Este marco está matemáticamente muy relacionado con el marco gráfico de Judea Pearl , los modelos de ecuaciones estructurales no paramétricos, que Pearl desarrolló de forma independiente poco después. Los modelos gráficos de Pearl son una versión más restringida de esta teoría. [5]
En su artículo original sobre inferencia causal, Robins describió dos nuevos métodos para controlar el sesgo de confusión, que se pueden aplicar en el entorno generalizado de exposiciones dependientes del tiempo: la fórmula G y la estimación G de modelos estructurales anidados. Más tarde, introdujo una tercera clase de modelos, los modelos estructurales marginales , en los que los parámetros se estiman utilizando la probabilidad inversa de los pesos del tratamiento. También ha contribuido significativamente a la teoría de los regímenes de tratamiento dinámicos, que son de gran importancia en la investigación de la efectividad comparativa y la medicina personalizada. Junto con Andrea Rotnitzky y otros colegas, en 1994 introdujo estimadores doblemente robustos (derivados de las funciones de influencia) para parámetros estadísticos en la inferencia causal y los problemas de datos faltantes. La teoría de los estimadores doblemente robustos ha sido muy influyente en el campo de la [inferencia causal] y ha influido en la práctica en informática, bioestadística, epidemiología, aprendizaje automático, ciencias sociales y estadística. [6] En 2008, también desarrolló la teoría de funciones de influencia de orden superior para la estimación funcional estadística con colaboradores como Lingling Li, Eric Tchetgen Tchetgen y Aad van der Vaart .