Methods for analyzing anonymized clustered data in the presence of competing events
Pavel Slavchev · eScholarship@McGill (McGill) · 2018
Les méthodes d'inférence causale permettent de tirer une conclusion sur un lien causal entre l'occurrence d'un événement et un résultat. Lors de l'analyse des données longitudinales, il faut également prendre en compte la corrélation dans l'histoire du même sujet et la possibilité d'événements concurrents. Le premier peut être plus diffcile à réaliser si lesdonnées sont anonymisées, car aucun identicateur de sujet n'est disponible. En outre, l'utilisation d'un cadre d'inférence causale, et l'ajustement pour les deux caractéristiques mentionnées peuvent être une tâche diffcile. Par exemple, dans une base anonymisée de données sur les naissances, on peut s'intéresser à l'effet causal d'un traitement sur l'âge gestationnel d'une naissance vivante. Pourtant, la présence d'événements concurrents (accouchements autres que la naissance vivante) et la relation entre les accouchements d'une même mère sont deux facteurs qui doivent être pris en compte. Dans cette thèse, nous proposons un algorithme pour créer un identiant de sujet dans une donnée longitudinale anonymisée, une nouvelle méthode pour simuler et analyser ces données sous un cadre de travail causal en présence d'événements concurrents.