James Robins

James M. Robins es un epidemiólogo y bioestadístico mejor conocido por desarrollar métodos para extraer inferencias causales a partir de estudios observacionales complejos y ensayos aleatorios , particularmente 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 2022, junto con Miguel Hernán , Eric Tchetgen-Tchetgen, Andrea Rotnitzky y Thomas Richardson. ^[1]

Se licenció en medicina en la Universidad de Washington en St. Louis en 1976. Actualmente es profesor Mitchell L. y Robin LaFoley Dong de Epidemiología en la Escuela de Salud Pública TH Chan de Harvard . Ha publicado más de 100 artículos en revistas académicas y es un investigador muy citado del ISI . ^[2]

Biografía

Robins asistió a la Universidad de Harvard con la promoción de 1971, concentrándose en matemáticas y filosofía. Fue elegido miembro de Phi Beta Kappa , pero no se graduó. Luego asistió a la Facultad de Medicina de la Universidad de Washington, donde se graduó en 1976, ^[3] y practicó la medicina ocupacional durante varios años. Mientras trabajaba en medicina ocupacional, 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 para respaldar conclusiones causales.

Investigación

En 1986, Robins introdujo un nuevo marco para extraer inferencias causales a partir de datos de observación. ^[4] En este y otros artículos publicados aproximadamente al mismo tiempo, Robins demostró que en 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 estrechamente relacionado con el marco gráfico Modelos de ecuaciones estructurales no paramétricas de Judea Pearl , 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 pueden aplicarse en el entorno generalizado de exposiciones dependientes del tiempo: la fórmula G y la estimación G de modelos estructurales anidados. Posteriormente, introdujo una tercera clase de modelos, los modelos estructurales marginales , en los que los parámetros se estiman utilizando la probabilidad inversa de ponderaciones de tratamiento. También ha contribuido significativamente a la teoría de los regímenes de tratamiento dinámicos, que son de gran importancia en la investigación de 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 inferencia causal y 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] [7]} 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 .

Publicaciones Seleccionadas

• Robins, JM (1989). "El control de la confusión por variables intermedias". Estadística en Medicina . 8 (6): 679–701. doi :10.1002/sim.4780080608. PMID  2749074.
• Robins, JM; Tsiatis, AA (1991). "Corrección del incumplimiento en ensayos aleatorios utilizando modelos de tiempo de falla estructural que preservan el rango". Comunicaciones en Estadística - Teoría y Métodos . 20 (8): 2609–2631. doi :10.1080/03610929108830654.
• Robins, JM (1994). "Corrección del incumplimiento en ensayos aleatorios utilizando modelos de medias anidadas estructurales". Comunicaciones en Estadística - Teoría y Métodos . 23 (8): 2379–2412. doi :10.1080/03610929408831393.
• Robins, JM (1997). "Inferencia causal a partir de datos longitudinales complejos". En M. Berkane (ed.). Modelado de variables latentes y aplicaciones a la causalidad . Apuntes de conferencias sobre estadística. vol. 120. Springer-Verlag . págs. 69-117.
• Robins, JM; Ritov, Y. (1997). "Hacia una teoría asintótica apropiada para la maldición de la dimensionalidad (CODA) para modelos semiparamétricos". Estadística en Medicina . 16 (3): 285–319. doi :10.1002/(SICI)1097-0258(19970215)16:3<285::AID-SIM535>3.3.CO;2-R. PMID  9004398.
• Robins, JM (1998). "Corrección por incumplimiento en ensayos de equivalencia". Estadística en Medicina . 17 (3): 269–302. doi :10.1002/(SICI)1097-0258(19980215)17:3<269::AID-SIM763>3.0.CO;2-J. PMID  9493255.
• Robins, JM; Hernán, MA; Brumback, B. (2000). "Modelos estructurales marginales e inferencia causal en epidemiología". Epidemiología . 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, MJ; Robins, JM (2003). "Métodos unificados para datos longitudinales censurados y causalidad ". Serie Springer en Estadística. Saltador . ISBN 978-0-387-95556-8.

Notas

1. "El Premio Rousseeuw de Estadística". www.rousseeuwprize.org . Consultado el 31 de marzo de 2023 .
2. Robins, James en ISIHighlyCited.com
3. Thomas S. Richardson y Andrea Rotnitzky , Etiología causal de la investigación de James M. Robins, estatista. Ciencia. 29 (4) 459-484, 2014. doi:10.1214/14-STS505
4. Robins, James (1986). "Un nuevo enfoque para la inferencia causal en estudios de mortalidad con un período de exposición sostenida: aplicación al control del efecto sobreviviente del trabajador sano" . Modelo matematico . 7 (9–12): 1393–1512. doi :10.1016/0270-0255(86)90088-6.
5. Gráficos de intervención mundial único (SWIG): una unificación de los enfoques gráfico y contrafactual de la causalidad https://csss.uw.edu/files/working-papers/2013/wp128.pdf
6. Michele Jonsson Funk, Daniel Westreich, Chris Wiesen, Til Stürmer, M. Alan Brookhart, Marie Davidian, Estimación doblemente robusta de los efectos causales, American Journal of Epidemiology, volumen 173, número 7, 1 de abril de 2011, páginas 761–767, https //doi.org/10.1093/aje/kwq439
7. "Doble aprendizaje automático para inferencia causal". haciadatascience.com . 18 de octubre de 2021 . Consultado el 28 de noviembre de 2021 .

Referencias

• James Robins: profesor de epidemiología Mitchell L. y Robin LaFoley Dong. Escuela de Salud Pública de Harvard (consultado el 15 de marzo de 2008).
• Dr. James M. Robins — Bibliografía Escuela de Salud Pública de Harvard (consultado el 15 de marzo de 2008).
• Gehrman, Elizabeth (23 de marzo de 2006) James Robins hace que las estadísticas digan la verdad: las cifras al servicio de la salud. Gaceta de la Universidad de Harvard .