<font face="garamond,serif">Dear all,  </font><div><font face="garamond,serif"><br></font></div><div><font face="garamond,serif">Please join us for the Applied Statistics Workshop (Gov 3009) this Wednesday, February 22 from 12.00 - 1.30 pm in CGIS Knafel Room 354. <a href="http://www.hsph.harvard.edu/faculty/francesca-dominici/">Francesca Dominici</a>, Professor of Biostatistics at the Harvard School of Public Health, will give a presentation entitled &quot;Bayesian Effect Estimation Accounting for Adjustment Uncertainty&quot;. As always, a light lunch will be provided.</font></div>
<div><font face="garamond,serif"><br></font></div><div><font face="garamond,serif">Abstract:  </font></div><div><font face="garamond,serif"><br></font></div><blockquote class="gmail_quote" style="margin-top:0px;margin-right:0px;margin-bottom:0px;margin-left:0.8ex;border-left-width:1px;border-left-color:rgb(204,204,204);border-left-style:solid;padding-left:1ex">
<font face="garamond, serif">Model-based estimation of the effect of an exposure on an outcome is generally sensitive to the choice of which confounding factors are included in the model. We propose a new approach, which we call Bayesian Adjustment for Confounding (BAC), to estimate the effect on the outcome associated with an exposure of interest while accounting for the uncertainty in the confounding adjustment. Our approach is based on specifying two models: 1) the outcome as a function of the exposure and the potential confounders (the outcome model); and 2) the exposure as a function of the potential confounders (the exposure model). We consider Bayesian variable selection on both models and link the two by introducing a dependence parameter ω denoting the prior odds of including a predictor in the outcome model, given that the same predictor is in the exposure model. In the absence of dependence (ω = 1), BAC reduces to traditional Bayesian Model Averaging (BMA). In simulation studies we show that BAC with ω &gt; 1 estimates the exposure effect with smaller bias than traditional BMA, and improved coverage. We then compare BAC, a recent approach of Crainiceanu et al. (2008), and traditional BMA in a time series data set of hospital admissions, air pollution levels and weather variables in Nassau, NY for the period 1999-2005. Using each approach, we estimate the short-term effects of PM2.5 on emergency admissions for cardiovascular diseases, accounting for confounding. This application illustrates the potentially significant pitfalls of misusing variable selection methods in the context of adjustment uncertainty.</font></blockquote>
<div><font face="garamond,serif"><br></font></div><div><font face="garamond,serif"><br></font></div><div><font face="garamond,serif">An up-to-date schedule for the workshop is available at <a href="http://www.iq.harvard.edu/events/node/1208">http://www.iq.harvard.edu/events/node/1208</a>.</font></div>
<div><font face="garamond,serif"><br></font></div><div><span style="font-family:garamond,serif"><br></span></div><div><span style="font-family:garamond,serif">Best,</span></div><div><span style="font-family:garamond,serif">Konstantin</span></div>
<div><div><br></div>-- <br><font face="garamond, serif">Konstantin Kashin<br>Ph.D. Student in Government<br>Harvard University<br><br>Mobile: 978-844-0538<br>E-mail: <a href="mailto:kkashin@fas.harvard.edu" target="_blank">kkashin@fas.harvard.edu</a><br>
Site: <a href="http://people.fas.harvard.edu/%7Ekkashin/" target="_blank">http://www.konstantinkashin.com/</a></font><br><br>
</div>