Αιτιώδη Συμπερασματολογία και Εφαρμογές Στη Βιοστατιστική

Abstract

Σκοπός της παρούσης εργασίας είναι να μελετήσει την Αιτιώδη Συμπερασματολογία. Η μεθοδολογία της εργασίας στηρίζεται στη συλλογή δευτερογενών δεδομένων, τα οποία συλλέχθηκαν μέσα από βιβλία άρθρα σε περιοδικά αλλά και μέσα από επίσημους διαδικτυακούς τόπους. Η εργασία αποτελείται συνολικά από έξι κεφάλαια. Το πρώτο κεφάλαιο αφορά τη γλώσσα των διαγραμμάτων και των δομικών εξισώσεων. Το δεύτερο αναλύει την Αιτιώδη Συμπερασματολογία στην στατιστική και το τρίτο κεφάλαιο παρουσιάζει δομικά υποδείγματα, διαγράμματα, αιτιώδη αποτελέσματα και αντιπαραδείγματα. Το τέταρτο κεφάλαιο αναλύει το πλαίσιο του πιθανού αποτελέσματος και το πέμπτο παρουσιάζει αντιπαραδείγματα επί τω έργω. Το έκτο και τελευταίο κεφάλαιο παρουσιάζει υποδείγματα όπως το υπόδειγμα Συμπερασματολογίας της Συνάφειας, το υπόδειγμα Rubin για την Αιτιώδη Συμπερασματολογία, ορισμένες ειδικές περιπτώσεις της Αιτιώδους Συμπερασματολογίας και τους κύριους τρόπους Συμπερασματολογίας για τυχαιοποιημένες μελέτες. Η γνώση συμβάντων με αιτιώδη συνάφεια ή όχι αποτελεί εργαλείο της Στατιστικής, τόσο στη σχεδίαση όσο και στην μελέτη πειραμάτων με την χρήση κατάλληλων μοντέλων, καθώς και στην διεκπεραίωση αληθών συμπερασμάτων.

The purpose of this paper is to study Causal Inference. The research methodology was based on the collection of secondary data, collected through books, journal articles and through official websites. The study consists of six chapters. The first chapter deals with the language of diagrams and structural equations. The second analyzes Causal Inference in Statistics and the third chapter presents the structural models, diagrams, causal effects and counterfactuals. The fourth chapter analyzes the context of the probable effect and the fifth presents counterfactuals at work. The sixth and final chapter presents models, like the model of associational inference, the Rubin model for the Causal Inference, some special cases of Causal Inference and the main ways of inference for randomized studies. Knowledge of events with causality or not, constitutes a tool of Statistics, both for the design and the study of experiments using appropriate models, and the handling of true conclusions.