Description du projet
Révolutionner la modélisation statistique
La modélisation statistique joue un rôle essentiel dans de nombreux secteurs, en améliorant la qualité de l’analyse des données, la lisibilité et la compréhension, et en offrant des informations clés sur les données collectées. Le projet ACME, financé par le CER, vise à révolutionner la modélisation statistique en introduisant un paradigme transformateur de pointe qui améliore considérablement l’analyse des données. Le projet développera un cadre de modélisation sans hypothèse conçu pour maximiser l’interprétabilité et minimiser les biais, même en présence d’une mauvaise spécification du modèle. Les chercheurs exploreront et appliqueront l’apprentissage débiaisé pour créer de nouveaux estimateurs et de nouvelles stratégies qui répondent aux limites actuelles. En fin de compte, les résultats ont le potentiel de faire progresser de nombreuses sciences empiriques en fournissant de nouveaux outils puissants qui pourraient conduire à des percées significatives.
Objectif
I propose a cutting-edge and transformative paradigm for statistical modelling that is crucial to enhance the quality of data analyses. Leveraging my expertise in causal inference and semiparametric statistics, I will establish the fundamental principles of a comprehensive estimation theory, which maps model parameters onto generic, interpretable, model-free estimands (e.g. association or effect measures) with favourable efficiency bound, and harnesses the power of debiased (statistical/machine) learning techniques to estimate these. My core objective is to develop a flexible and accessible data modelling framework, called ‘assumption-lean modelling’. This framework will deliver minimal bias and maximal interpretability, even in the presence of model misspecification, along with honest confidence bounds that account for model uncertainty.
Debiased learning is at the core of this research. While gaining popularity, a rigorous scientific optimality theory is lacking. I shall draw on my expertise in (bias-reduced) double robust estimation to develop optimal debiased learning estimators. These utilize learners that optimize strategically chosen loss functions to achieve low variance and high stability, along with confidence intervals that are valid under weak conditions on the learners.
I will connect to timely, exciting developments in statistics, such as debiased learning of function-valued parameters and the construction of confidence bounds for such parameters. I will offer novel avenues into these problems by incorporating the assumption-lean modelling principles and connecting to real-world needs.
I will develop assumption-lean modelling strategies to tackle significant challenges in causal modelling, including target trial emulation, causal mediation analysis, and statistical modelling of dependent outcomes. I will deliver methods with potential impact on all empirical sciences, as well as on the foundations of the discipline of statistical modelling.
Mots‑clés
Les mots-clés du projet tels qu’indiqués par le coordinateur du projet. À ne pas confondre avec la taxonomie EuroSciVoc (champ scientifique).
Les mots-clés du projet tels qu’indiqués par le coordinateur du projet. À ne pas confondre avec la taxonomie EuroSciVoc (champ scientifique).
Programme(s)
Programmes de financement pluriannuels qui définissent les priorités de l’UE en matière de recherche et d’innovation.
Programmes de financement pluriannuels qui définissent les priorités de l’UE en matière de recherche et d’innovation.
-
HORIZON.1.1 - European Research Council (ERC)
PROGRAMME PRINCIPAL
Voir tous les projets financés dans le cadre de ce programme
Thème(s)
Les appels à propositions sont divisés en thèmes. Un thème définit un sujet ou un domaine spécifique dans le cadre duquel les candidats peuvent soumettre des propositions. La description d’un thème comprend sa portée spécifique et l’impact attendu du projet financé.
Les appels à propositions sont divisés en thèmes. Un thème définit un sujet ou un domaine spécifique dans le cadre duquel les candidats peuvent soumettre des propositions. La description d’un thème comprend sa portée spécifique et l’impact attendu du projet financé.
Régime de financement
Régime de financement (ou «type d’action») à l’intérieur d’un programme présentant des caractéristiques communes. Le régime de financement précise le champ d’application de ce qui est financé, le taux de remboursement, les critères d’évaluation spécifiques pour bénéficier du financement et les formes simplifiées de couverture des coûts, telles que les montants forfaitaires.
Régime de financement (ou «type d’action») à l’intérieur d’un programme présentant des caractéristiques communes. Le régime de financement précise le champ d’application de ce qui est financé, le taux de remboursement, les critères d’évaluation spécifiques pour bénéficier du financement et les formes simplifiées de couverture des coûts, telles que les montants forfaitaires.
HORIZON-ERC - HORIZON ERC Grants
Voir tous les projets financés dans le cadre de ce programme de financement
Appel à propositions
Procédure par laquelle les candidats sont invités à soumettre des propositions de projet en vue de bénéficier d’un financement de l’UE.
Procédure par laquelle les candidats sont invités à soumettre des propositions de projet en vue de bénéficier d’un financement de l’UE.
(s’ouvre dans une nouvelle fenêtre) ERC-2023-ADG
Voir tous les projets financés au titre de cet appelInstitution d’accueil
La contribution financière nette de l’UE est la somme d’argent que le participant reçoit, déduite de la contribution de l’UE versée à son tiers lié. Elle prend en compte la répartition de la contribution financière de l’UE entre les bénéficiaires directs du projet et d’autres types de participants, tels que les participants tiers.
9000 GENT
Belgique
Les coûts totaux encourus par l’organisation concernée pour participer au projet, y compris les coûts directs et indirects. Ce montant est un sous-ensemble du budget global du projet.