Conférence | Apprentissage automatique pour contrôler les facteurs de confusion lors de l'estimation d'une stratégie de traitement adaptative optimale

Le Département de mathématiques et de statistiques organise la conférence « Apprentissage automatique pour contrôler les facteurs de confusion lors de l'estimation d'une stratégie de traitement adaptative optimale », donnée par Denis Talbot, professeur au Département de médecine sociale et préventive à l’Université Laval, à Québec.

Date : mercredi 15 mai

Heure : 9 h

Lieu : local A-102, Rémi-Rossignol

Résumé : L'utilisation de l'apprentissage automatique devient de plus en plus populaire en inférence causale pour contrôler les facteurs de confusion mesurés d’une manière qui s’adapte aux données. Relativement peu de travaux ont été réalisés sur ce sujet lorsque l'objectif est spécifiquement d'estimer une stratégie de traitement adaptative optimale. Dans cet exposé, nous proposons tout d'abord une approche ad hoc simple qui consiste à estimer le score de propension à l'aide d'algorithmes d'apprentissage automatique dans le cadre de l'estimateur des moindres carrés pondérés dynamiques. Nous proposons également d'utiliser une approche d'ajustement croisé pour éviter le surajustement. Ensuite, nous introduisons un estimateur non paramétrique des paramètres d'un modèle structurel niché pour la moyenne. Nous montrons que cet estimateur est doublement robuste, qu'il peut utiliser l'apprentissage automatique pour contrôler les facteurs de confusion tout en conservant la facilité d'interprétation du paramètre cible, et qu'il reste convergent à vitesse racine-n lorsque les fonctions de nuisance sont estimées par apprentissage automatique. Un estimateur de variance simple basé sur la fonction d'influence efficace est disponible. Dans une étude de simulation, nous comparons nos deux approches proposées avec le Robust Q-Learning, un autre estimateur de stratégies de traitement adaptatives optimales qui peut utiliser l'apprentissage automatique mais qui n'est pas doublement robuste.

Bienvenue à toutes et à tous !