Робинс, Джеймс
Джеймс М. Ро́бинс (англ. James M. Robins; род. США) — американский эпидемиолог и биостатистик. Известен разработкой методов причинно-следственного вывода на основе сложных наблюдательных исследований и рандомизированных испытаний, в частности тех, где лечение меняется со временем. Лауреат премии Натана Мантеля за жизненные достижения в области статистики и эпидемиологии (2013) и премии Руссе по статистике (2022).
Общие сведения
| Джеймс М. Робинс | |
|---|---|
| James M. Robins | |
| Место рождения | |
| Страна | |
| Образование | |
| Род деятельности | эпидемиолог, биостатистик |
| Награды и премии |
Премия Натана Мантеля (2013), Премия Руссе по статистике (2022), Национальная академия наук (2026) |
Биография
Робинс учился в Гарвардском колледже (выпуск 1971 года), специализируясь на математике и философии. Был избран в общество Фи Бета Каппа, но не окончил обучение. Затем поступил в Медицинскую школу Вашингтонского университета, которую окончил в 1976 году[2]. Несколько лет работал в области медицины труда. Во время работы посещал базовые курсы по прикладной медицинской статистике в Йельской школе общественного здравоохранения. Пришёл к выводу, что используемая в то время методология была недостаточно строгой для обоснования причинно-следственных выводов.
В 1976 году окончил Университет Вашингтона в Сент-Луисе по специальности «медицина». В настоящее время является профессором эпидемиологии в Гарвардской школе общественного здравоохранения имени Т. Х. Чана. Опубликовал более 100 статей в научных журналах и является высокоцитируемым исследователем по версии ISI[3]. В 2026 году избран в Национальную академию наук.
Исследования
В 1986 году Робинс представил новую концепцию причинно-следственного вывода на основе наблюдательных данных[4]. В этой и других статьях, опубликованных примерно в то же время, он показал, что в неэкспериментальных данных воздействие почти всегда зависит от времени, и поэтому стандартные методы, такие как регрессия, почти всегда смещены. Эта концепция математически тесно связана с графической концепцией непараметрических моделей структурных уравнений Джуды Перла, которую Перл разработал независимо вскоре после этого. Графические модели Перла являются более ограниченной версией этой теории[5].
В своей оригинальной статье о причинно-следственном выводе Робинс описал два новых метода контроля смещения, которые могут применяться в обобщённых условиях зависящих от времени воздействий: G-формулу и G-оценку структурных вложенных моделей. Позже он представил третий класс моделей — маргинальные структурные модели, в которых параметры оцениваются с использованием весов, обратно пропорциональных вероятности лечения. Он также внёс значительный вклад в теорию динамических режимов лечения, которые имеют большое значение в исследованиях сравнительной эффективности и персонализированной медицине. Вместе с Андреа Ротницки и другими коллегами в 1994 году он представил дважды робастные оценки (полученные из функций влияния) для статистических параметров в задачах причинно-следственного вывода и отсутствующих данных. Теория дважды робастных оценок оказала большое влияние на область причинно-следственного вывода и повлияла на практику в информатике, биостатистике, эпидемиологии, машинном обучении, социальных науках и статистике[6]. В 2008 году он также разработал теорию функций влияния высшего порядка для оценки статистических функционалов совместно с соавторами, включая Линлинг Ли, Эрика Четген-Четгена и Аада ван дер Ваарта.
Публикации
- Robins, J.M. (1989). “The control of confounding by intermediate variables”. Statistics in Medicine. 8 (6): 679—701. DOI:10.1002/sim.4780080608. PMID 2749074.
- Robins, J.M.; Tsiatis, A.A. (1991). “Correcting for non-compliance in randomized trials using rank preserving structural failure time models”. Communications in Statistics - Theory and Methods. 20 (8): 2609—2631. DOI:10.1080/03610929108830654.
- Robins, J.M. (1994). “Correcting for non-compliance in randomized trials using structural nested mean models”. Communications in Statistics - Theory and Methods. 23 (8): 2379—2412. DOI:10.1080/03610929408831393.
- Robins, J.M. Causal inference from complex longitudinal data // Latent Variable Modeling and Applications to Causality / M. Berkane. — Springer-Verlag, 1997. — Т. 120. — С. 69–117. — (Lecture Notes in Statistics).
- Robins, J.M.; Ritov, Y. (1997). “Toward A Curse Of Dimensionality Appropriate (CODA) Asymptotic Theory For Semi-parametric Models”. Statistics in Medicine. 16 (3): 285—319. DOI:10.1002/(SICI)1097-0258(19970215)16:3<285::AID-SIM535>3.3.CO;2-R. PMID 9004398.
- Robins, J.M. (1998). “Correction for non-compliance in equivalence trials”. Statistics in Medicine. 17 (3): 269—302. DOI:10.1002/(SICI)1097-0258(19980215)17:3<269::AID-SIM763>3.0.CO;2-J. PMID 9493255.
- van der Laan, M.J. Unified Methods for Censored Longitudinal Data and Causality. — Springer, 2003. — (Springer Series in Statistics). — ISBN 978-0-387-95556-8.
Примечания
Ссылки
- James Robins — Mitchell L. and Robin LaFoley Dong Professor of Epidemiology. Harvard School of Public Health (Accessed 15 March 2008).
- Dr. James M. Robins — Bibliography Harvard School of Public Health (Accessed 15 March 2008).
- Gehrman, Elizabeth (March 23, 2006) James Robins makes statistics tell the truth: Numbers in the service of health. Harvard University Gazette.