Project

Back to overview

Directed Graphical Models and Causal inference for Multivariate Extremes

Applicant Gnecco Nicola
Number 199452
Funding scheme Doc.Mobility
Research institution Department of Mathematical Sciences University of Copenhagen
Institution of higher education Institution abroad - IACH
Main discipline Mathematics
Start/End 01.09.2021 - 28.02.2022
Show all

Keywords (4)

extreme value theory; causal inference; statistics; graphical models

Lay Summary (Italian)

Lead
Uno tra gli obiettivi più ambiziosi della scienza è quello di capire i meccanismi causali che stanno dietro a certi fenomeni. Per esempio, in climatologia, una delle sfide più pressanti è quella di capire le cause che stanno dietro al cambiamento climatico.Negli ultimi anni, le comunità di statistica e machine learning hanno sviluppato degli algoritmi che "imparano" dai dati le cause che stanno dietro a numerosi fenomeni.Ad esempio, nel settore del marketing, vi sono degli algoritmi in grado di identificare i fattori che stanno dietro alle scelte dei consumatori.Tuttavia, gli attuali algoritmi non sono progettati specificatamente per apprendere le cause di fenomeni estremi, come, ad esempio, alte temperature o alluvioni.L'obiettivo del nostro progetto è quello di sviluppare una nuova metodologia per poter apprendere le cause di fenomeni estremi, come quelli osservati in climatologia.
Lay summary
Lo scopo del nostro progetto è quello di sviluppare una nuova metodologia che permetta di apprendere dai dati le cause che stanno dietro a fenomeni estremi.

Pianifichiamo di riuscirci mettendo assieme tre campi della statistica: (i) inferenza causale, (ii) modelli grafici, (iii) teoria dei valori estremi.
Miriamo di implementare questa nuova metodologia a problemi di climatologia.

Nonostante il cambiamento climatico sia un problema estremamente complesso ed interdisciplinare, crediamo che il nostro lavoro ci permetterà di fare un piccolo passo per capire e misurare meglio alcune della cause che stanno alla base di eventi estremi, quali alluvioni, tempeste, e temperature record.
 
Direct link to Lay Summary Last update: 10.04.2022

Responsible applicant and co-applicants

Scientific events

Active participation

Title Type of contribution Title of article or contribution Date Place Persons involved
Online Causal Inference Seminar Talk given at a conference Causal discovery in heavy-tailed models 19.10.2021 Copenhagen, Denmark Gnecco Nicola;
Copenhagen Causality Lab (CoCaLa) Seminar Talk given at a conference Extremal Random Forest 22.09.2021 Copenhagen, Denmark Gnecco Nicola;


Abstract

In recent years, the fields of causal inference, graphical models, and extreme value theory have gained a lot of attention. While these three fields are very active individually, only a few lines of research have tried to create a connection among them. Some lines of research have attempted to connect the fields of causality and extremes, or the areas of graphical models and extremes. The goal of this project is to bring closer the three fields of directed graphical models, causal inference, and extreme value theory. In particular, we envision structuring the project into four parts. During the first phase, we will try to draw a connection between extreme value theory and directed graphical models by defining the concept of an extremal Bayesian network. In the second part of the project, we will try to relax some of the restricting assumptions imposed by multivariate extremes distributions. Therefore, we will devote the third phase to developing the probabilistic properties of the extremal Bayesian network, such as faithfulness and d-separation [Pearl, 2009]. Finally, we will aim to establish a causal discovery methodology based on the PC algorithm proposed by Spirtes, Glymour, Scheines, Heckerman, Meek, Cooper, and Richardson [2000]. To do so, we will need to develop a way to test extremal conditional independence [Engelke and Hitz, 2020] on finitely many data.
-