时 间：2022年10月19日14:00
地 点：中北校区理科大楼A1716
报告人：裘予琦 助理教授
主持人：唐炎林 研究员
摘 要：
在现代临床试验中，受试者的脱落与数据的复杂高维化是导致传统参数模型下的治疗效果估计量可能出现偏差的主要因素🧎🏻♂️➡️。以阿尔兹海默症（AD）为例🤘🏻，一般为期三年的随访会有超过25%的受试者脱落👩🏿🔬，且药物组与对照组的脱落率往往存在显著差异；另一方面，近年的研究表明AD存在很强的生物学异质性，该异质性与高维生物学标记物有强相关性，导致临床试验难以实现分层随机化👨🏻🦳。传统的参数模型一旦被错误指定😄，估计量往往出现过大的偏差𓀐。基于半参数理论的双重及多重稳健估计量通过把逆概率加权模型的估计函数投影到冗余参数空间中🤽🏻，把缺失概率估计模型与结局变量估计模型有机结合🔖，当任一估计模型正确指定时，可证明估计量是渐近无偏的。我们构造了在纵向数据中基于双重稳健估计的缺失数据插补框架，并在AD临床试验数据中进行应用。
报告人简介🧏🏽：
裘予琦现任光辉平台助理教授（明园晨晖学者）。2021年毕业于美国加利福尼亚大学圣地亚哥分校🪑，获得生物统计学博士学位，博士论文获得校长奖章表彰❇️。主要研究方向包括半参数模型、缺失数据插补和因果推断🍽。博士期间主导并参与多项一至三期阿尔兹海默症临床试验设计与统计分析👩👩👧👧，对临床纵向数据、高维生物标记物数据、MRI等图像数据有丰富的经验🙍🏿♂️。在Annals of Applied Statistics等统计学重要期刊，Neurology🤽🏽♂️、Cell Reports等生物临床医学顶级期刊上发表SCI索引论文十余篇，被引用超300次。担任Journal of Alzheimer’s Disease等SCI期刊的统计学审稿人🧗🏼♂️。