活动地点：

活动类型：学术报告

主讲人：

活动时间：

活动内容：

美国科学院院士Donald B. Rubin教授专题学术报告

报告题目：FOR OBJECTIVE CAUSAL INFERENCE, DESIGN TRUMPS ANALYSIS

报告人：Donald B. Rubin（美国科学院院士、哈佛大学讲座教授）

时间： 2011年7月22日(周五)下午4：00

地点： 数学中心501演讲厅

         欢迎广大师生参加。

演讲后，美国哈佛大学 刘军教授 会和大家座谈。

 

                        Rubin教授简介

Donald B. Rubin教授是哈佛大学统计系John L. Loeb讲席教授. Rubin教授是当今世界影响力深远的统计学泰斗。他对科学的贡献早已超出统计学的范畴，他的统计思想对包括生物医学，经济学，心理学，教育学，社会学以及计算机科学等众多领域产生了划时代的影响。Rubin教授毕业于著名的普林斯顿大学，在哈佛大学获得统计学博士学位。早年供职于教育考试服务处(ETS)。曾在威斯康星大学，芝加哥大学任教, 自1984年起在哈佛大学任教至今。曾长期担任哈佛大学统计系系主任职务。Rubin教授在统计学理论及应用的很多领域都做出了杰出的，开创性的贡献。他的主要贡献之一是建立了在经济，医学，社会学，哲学等许多领域都具有深远影响的数理因果推断方法的理论框架和计算方法。在1970年代提出的著名的Rubin 因果模型是这一领域的开山之作，被引用数千次。他在七十年代的第二项伟大贡献是建立了一套系统的缺矢数据分析理论和方法。此系统的创立直接导致了1980-90年代的贝叶斯统计思想和实践的爆炸性革命。他的第三项伟大贡献是和同事Arthur Dempster, Nancy Laird 教授在１９７７年提出了影响了几代人的EM算法。这不仅是在统计计算方法上的重大突破，也对统计实践的推动起了不可估量的作用，并直接导致了许多新领域的创立。近十几年来，Rubin教授在经济学和医药卫生方面进一步推动因果推断方法的深层次发展和广泛的应用。他和哈佛经济学家Imbens合作的文章15年来已被引用了近两千次，在经济界掀起一轮对因果推断理论的深刻反思。Rubin教授是美国国家科学院院士，美国科学与艺术学院院士。他还获得过统计学领域几乎所有的著名奖项，包括著名的 Wilks奖章，Parzen奖, Snedecor奖。

 

                               Abstract

For obtaining causal inferences that are objective, and therefore have the
best chance of revealing scientific truths, carefully designed and executed
randomized experiments are generally considered to be the gold standard.
Observational studies, in contrast, are generally fraught with problems that
compromise any claim for objectivity of the resulting causal inferences. The
thesis here is that observational studies have to be carefully designed to approximate
randomized experiments, in particular, without examining any final
outcome data. Often a candidate data set will have to be rejected as inadequate
because of lack of data on key covariates, or because of lack of overlap
in the distributions of key covariates between treatment and control groups,
often revealed by careful propensity score analyses. Sometimes the template
for the approximating randomized experiment will have to be altered, and the
use of principal stratification can be helpful in doing this. These issues are
discussed and illustrated using the framework of potential outcomes to define
causal effects, which greatly clarifies critical issues.