Rotnitzky, Andrea
PhD. in Statistics, U.C. Berkeley
5169-7395
Andrea Rotnitzky es Profesora Plenaria del Departamento, profesora adjunta de Harvard T. H. Chan School of Public Health e investigadora principal del CONICET. Tiene artículos científicos publicados en Biometrika, Journal of the American Statistical Association, Biometrics y Journal of the Royal Statistical Science, entre otros. Fue editora asociada de Biometrics, Annals of Statistics, Statistical Science y del Journal of Causal Inference. Actualmente es editora asociada de Journal of the American Statistical Association.
Muchas preguntas importantes en salud pública son sobre los efectos de intervenciones, políticas de salud, nuevos medicamentos o estrategias óptimas de tratamiento. Las respuestas a estas preguntas a menudo se basan en datos observacionales no experimentales, o en datos experimentales imperfectos, es decir, datos de ensayos aleatorios que sufren de incumplimiento del protocolo, abandono, falta de respuesta intermitente, censura, etc.
La investigación de la Profesora Rotnitzky se centra en el desarrollo de herramientas analíticas para estimar, a partir de datos observacionales o de datos experimentales imperfectos, efectos causales de tratamientos o. Este trabajo cae en el área general de inferencia causal y análisis de datos faltantes y censurados.
La Profesora Rotnitzky está principalmente interesada en el desarrollo de métodos (semiparamétricos eficientes) que explotan la información en los datos disponibles sin hacer suposiciones innecesarias sobre las partes del proceso de generación de datos que no son de interés sustantivo.
Sus trabajos incluyen:
1) Métodos modernos y flexibles de aprendizaje automático para la inferencia causal
2) Estimación eficiente del efecto causal en modelos gráficos causales,
3) Estimación, a partir de bases de datos longitudinales de registros médicos electrónicos, de los efectos causales de las estrategias de tratamiento dependientes de covariables,
4) Métodos para evaluar marcadores de diagnóstico de estudios que sufren de sesgo de verificación,
5) Métodos que corrigen la falta de respuesta informativa en estudios longitudinales,
6) Métodos para analizar el tiempo de sobrevida en estudios con causas informativas de censura contrapuestas
7) Métodos para el análisis de ensayos clínicos con incumplimiento
______________________________________________________________
Andrea Rotnitzky is Full Professor in the Department of Economics, is adjunct Professor at the Harvard T. H. Chan School of Public Health, and is Principal Investigator at the Argentinian National Science Council. She has published in Biometrika, Journal of the American Statistical Association, Biometrics and Journal of the Royal Statistical Science, among others. She has been Associate Editor of Biometrics, Annals of Statistics, the Journal of Causal Inference and Invited Associate Editor of Statistical Science. At present she is Associate Editor of the Journal of the American Statistical Association.
Most important questions in Public Health are about the effects of interventions, e.g. changing a health policy, approving new drugs or implementing optimal treatment strategies. The answer to these questions often relies on either non-experimental, i.e. observational, data or on imperfect experimental data, i.e. randomized trial data from suffering from non-compliance, drop-outs, intermittent non-response, censoring, etc.
Prof. Rotnitzky’s research centers in the development of analytical tools for estimating, from non or imperfect experimental data, the effects of interventions. This work falls into the general area of causal inference and missing and censored data analysis.
She is primarily interested in the development of (semiparametric efficient) methods that exploit the information in the available data without making unnecessary assumptions about the parts of the data generating process that are not of substantive interest.
Her work includes:
1) Modern flexible machine learning methods for causal inference
2) Efficient causal effect estimation in causal graphical models
3) Estimation, from longitudinal health care databases, the causal effects of covariate dependent treatment strategies
4) Methods for evaluating diagnostic markers from studies that suffer from verification bias,
5) Methods for correcting for informative non-response in longitudinal studies,
6) Methods for analyzing failure time and quality of life adjusted failure time endpoints in studies with competing informative causes of censoring
7) Methods for analyzing clinical trials with non-compliance