Eterogeneità non osservata e identificazione di effetti causali mediante modelli mistura

Nella valutazione dell'effetto di un trattamento, i metodi dell'inferenza causale spesso si occupano di identificare fonti di selection bias, dovuto ad eterogeneità non osservata nella popolazione, con l'obiettivo di ottenere una corretta valutazione dell'effetto causale d'interesse. Alcuni metodi si basano sull'assunzione che, condizionatamente ad alcune caratteristiche osservate, il selection bias sparisca. Oggetto di questa tesi è indagare come i modelli mistura possano aiutare una corretta valutazione dell'effetto di un trattamento nei casi in cui questa eterogeneità presente nella popolazione sia non osservata o solo parzialmente osservata, assumendo che vi sia una variabile latente per la quale la popolazione è suddivisa in gruppi entro i quali l'effetto del trattamento è omogeneo. L'appartenenza ai gruppi viene determinata mediante algoritmo EM. L'efficacia del metodo viene valutata sia attraverso uno studio di simulazione sia con un'applicazione a dati reali.