I modelli grafici basati su networks vengono utilizzati in ambito statistico per stimare relazioni causali tra variabili a partire dalle osservazioni. Tipicamente il network generatore dei dati è incognito e si richiede una sua stima attraverso un processo inferenziale noto come "structure learning". La ricerca si propone di sviluppare metodologie bayesiane per l'apprendimento di modelli grafici e l'inferenza causale in contesti che includono: i) dati osservazionali; ii) dati sperimentali caratterizzati da gruppi di individui sottoposti a diversi trattamenti; iii) dati eterogenei caratterizzati da strutture di clustering latenti. Le metodologie sviluppate trovano impiego in ambito medico, sia clinico che genomico, e psicologico, particolarmente in studi di tipo psicopatologico.

Parole chiave e temi trattati:

Bayesian inference; causal effect; directed graph; network psychometrics; structure learning.

Persone Coinvolte:

Federico Castelletti, Lucia Paci, Guido Consonni, Laura Ferrini, Stefano Peluso