Organisateurs: Erica E.M. Moodie (McGill), David A. Stephens (McGill), Alexandra M. Schmidt (McGill)
L’objectif de la plupart, sinon de la totalité, de l’inférence statistique est de découvrir des relations causales. Pourtant, il est généralement impossible d’établir des liens de causalité à partir de procédures statistiques classiques. Au cours des trois dernières décennies, le champ de recherche en inférence causale s’est rapidement développé, et pourtant une grande partie de la littérature est consacrée à des cas relativement simples. Dans le cadre de ce programme d’un mois, nous cherchons à repousser les frontières de l’inférence causale au-delà des cas simples pour accommoder des données complexes avec des caractéristiques telles que les réseaux ou les structures spatiales. Nous tiendrons une série de conférences et d’ateliers abordant des aspects actuels et innovants de l’inférence causale, qui consiste à découvrir les relations entre les variables dans un contexte de collecte de données d’observation. Tout au long de ce programme, nous étudierons des situations nouvelles et stimulantes qui ont été étudiées dans la littérature statistique classique, mais qui n’ont pas été considérées sous l’angle de l’inférence causale. Le thème unifiant du programme est celui de la dépendance complexe, avec un accent particulier sur les structures spatiales, de réseaux et graphiques.