I modelli grafici basati su grafi aciclici direzionati (DAG) vengono utilizzati per indagare relazioni di dipendenza tra variabili sia da un punto di vista puramente “associativo” sia causale. Tipicamente il modello DAG generatore dei dati è incognito e si richiede una sua stima attraverso le osservazioni raccolte su un collettivo di individui. In aggiunta, l'inferenza sui parametri del modello consente di stimare relazioni (effetti) causali tra variabili a seguito di interventi esogeni, per esempio knock-out genici.
La ricerca si propone di sviluppare metodi bayesiani per l’apprendimento di strutture grafiche e la stima di effetti causali in presenza di dati di natura osservazionale, ovvero misurazioni prodotte a seguito di perturbazioni di variabili ("interventional" data) ed anche in contesti eterogenei, ossia in presenza di gruppi incogniti di individui caratterizzati da specificità.

Parole chiave e temi trattati:

Directed acyclic graph; intervention; gene knock-out; causal effect; Bayesian inference; model selection.

Pubblicazioni selezionate:

Castelletti, F., Consonni, G., Della Vedova, M. and Peluso, S. (2018). Learning Markov equivalence classes of Directed Acyclic Graphs: an Objective Bayes Approach, Bayesian Analysis, 13 (4), 1235-1260.

Castelletti, F. & Consonni, G. (2021). Bayesian inference of causal effects from observational data in Gaussian graphical models, Biometrics, 77, 136-149.

Castelletti, F. & Mascaro, A. (2021). Structural learning and estimation of joint causal effects among network-dependent variables, Statistical Methods and Applications, Advance publication.