James Robins

James M. Robins es un epidemiólogo y bioestadístico conocido por sus avances en métodos para extraer inferencias causales de estudios observacionales complejos y ensayos aleatorios , particularmente aquellos en los que el tratamiento varía con el tiempo. Recibió el Premio Nathan Mantel por su trayectoria en estadística y epidemiología en 2013 y el Premio Rousseeuw de Estadística en 2022 , conjuntamente con Miguel Hernán , Eric Tchetgen-Tchetgen, Andrea Rotnitzky y Thomas Richardson. ^{[ 1 ]} En 2026 fue elegido miembro de la Academia Nacional de Ciencias .

Se graduó en medicina por la Universidad de Washington en San Luis en 1976. Actualmente es profesor Mitchell L. y Robin LaFoley Dong de Epidemiología en la Escuela de Salud Pública TH Chan de Harvard . Ha publicado más de 100 artículos en revistas académicas y es un investigador altamente citado por ISI . ^{[ 2 ]}

Robins asistió a Harvard College con la promoción de 1971, especializándose en matemáticas y filosofía. Fue elegido miembro de Phi Beta Kappa , pero no se graduó. Posteriormente, estudió en la Facultad de Medicina de la Universidad de Washington , donde se graduó en 1976, ^{[ 3 ]} y ejerció la medicina laboral durante varios años. Mientras trabajaba en medicina laboral, asistió a cursos básicos de estadística médica aplicada en la Escuela de Salud Pública de Yale , pero pronto llegó a la conclusión de que la metodología utilizada en ese momento era insuficientemente rigurosa para fundamentar conclusiones causales.

En 1986, Robins introdujo un nuevo marco para realizar inferencias causales a partir de datos observacionales. ^{[ 4 ]} En este y otros artículos publicados casi al mismo tiempo, Robins demostró que, en datos no experimentales, la exposición casi siempre depende del tiempo y que, por lo tanto, los métodos estándar como la regresión casi siempre presentan sesgos. Este marco está matemáticamente muy relacionado con el marco gráfico de Judea Pearl, Modelos de Ecuaciones Estructurales No Paramétricas, que Pearl desarrolló de forma independiente poco después. Los modelos gráficos de Pearl son una versión más restringida de esta teoría. ^{[ 5 ]}

En su artículo original sobre inferencia causal, Robins describió dos nuevos métodos para controlar el sesgo de confusión, aplicables al contexto generalizado de exposiciones dependientes del tiempo: la fórmula G y la estimación G de modelos estructurales anidados. Posteriormente, introdujo una tercera clase de modelos, los modelos estructurales marginales , en los que los parámetros se estiman mediante ponderaciones de probabilidad inversa del tratamiento. También ha contribuido significativamente a la teoría de los regímenes de tratamiento dinámicos, de gran relevancia en la investigación de la efectividad comparativa y la medicina personalizada. Junto con Andrea Rotnitzky y otros colegas, en 1994 introdujo estimadores doblemente robustos (derivados de las funciones de influencia) para parámetros estadísticos en inferencia causal y problemas de datos faltantes. La teoría de los estimadores doblemente robustos ha sido muy influyente en el campo de la inferencia causal y ha tenido repercusiones en la práctica de la informática, la bioestadística, la epidemiología, el aprendizaje automático, las ciencias sociales y la estadística. ^{[ 6 ]} En 2008, también desarrolló la teoría de funciones de influencia de orden superior para la estimación funcional estadística con colaboradores como Lingling Li, Eric Tchetgen Tchetgen y Aad van der Vaart .

• Robins, JM (1989). "El control de la confusión mediante variables intermedias". Statistics in Medicine . 8 (6): 679– 701. doi : 10.1002/sim.4780080608 . PMID 2749074 . 
• Robins, JM; Tsiatis, AA (1991). "Corrección del incumplimiento en ensayos aleatorizados mediante modelos estructurales de tiempo de fallo que preservan el rango". Communications in Statistics - Theory and Methods . 20 (8): 2609– 2631. doi : 10.1080/03610929108830654 .
• Robins, JM (1994). "Corrección del incumplimiento en ensayos aleatorizados mediante modelos estructurales de medias anidadas". Communications in Statistics - Theory and Methods . 23 (8): 2379– 2412. doi : 10.1080/03610929408831393 .
• Robins, JM (1997). "Inferencia causal a partir de datos longitudinales complejos". En M. Berkane (ed.). Modelado de variables latentes y aplicaciones a la causalidad . Notas de clase en estadística. Vol.  120. Springer-Verlag . págs. 69–117 . 
• Robins, JM; Ritov, Y. (1997). "Hacia una teoría asintótica apropiada para la maldición de la dimensionalidad (CODA) para modelos semiparamétricos". Statistics in Medicine . 16 (3): 285– 319. doi : 10.1002/(SICI)1097-0258(19970215)16:3 < 285::AID-SIM535 > 3.3.CO ; 2-R . PMID 9004398 . 
• Robins, JM (1998). "Corrección por incumplimiento en ensayos de equivalencia". Statistics in Medicine . 17 (3): 269– 302. doi : 10.1002/(SICI)1097-0258(19980215)17:3 < 269::AID-SIM763 > 3.0.CO ; 2-J . PMID 9493255 . 
• Robins, JM; Hernan, MA; Brumback, B. (2000). "Modelos estructurales marginales e inferencia causal en epidemiología". Epidemiology . 11 (5): 550– 560. CiteSeerX 10.1.1.116.7039 . doi : 10.1097/00001648-200009000-00011 . JSTOR 3703997 . PMID 10955408 . S2CID 8907527 .    
• van der Laan, MJ; Robins, JM (2003). Métodos unificados para datos longitudinales censurados y causalidad . Springer Series in Statistics. Springer . ISBN 978-0-387-95556-8.

• James Robins — Profesor Mitchell L. y Robin LaFoley Dong de Epidemiología . Escuela de Salud Pública de Harvard (Consultado el 15 de marzo de 2008).
• Dr. James M. Robins — Bibliografía Escuela de Salud Pública de Harvard (Consultado el 15 de marzo de 2008).
• Gehrman, Elizabeth (23 de marzo de 2006) James Robins hace que las estadísticas digan la verdad: Los números al servicio de la salud . Harvard University Gazette .