Modellazione non parametrica bayesiana di conteggi potenziali per l'inferenza causale ​

L'inferenza causale rappresenta uno degli ambiti più importanti dell'analisi statistica, nonché base di molti campi applicativi. L'obiettivo principale dell'inferenza causale è quello di identificare gli effetti causali di un trattamento o di una variabile di interesse su una variabile specifica, tenendo conto di tutte le possibili fonti di distorsione che potrebbero influenzare i risultati. In questo contesto, il presente elaborato si propone di approfondire il BART, un modello non parametrico (bayesiano) che grazie alla sua estrema flessibilità ha riscosso molto successo nel perseguire questo fine. Tuttavia, l'applicazione del BART all'inferenza causale con dati di conteggio rappresenta ancora un'area inesplorata, nonostante la crescente rilevanza di tali dati in molteplici ambiti applicativi. Nello specifico si è scelto di utilizzare lo STAR-BART, una versione del Bart modificata per tener conto nella sua costruzione delle caratteristiche dei dati in esame. Per concludere, si prova a valutare l'efficacia del modello STAR-BART nella modellazione di dati di conteggio nell'ambito dell'inferenza causale, attraverso un'analisi empirica basata su simulazioni e su dati reali. In particolare, si intende confrontare l'approccio Star BART con altri modelli che trascurano la natura dei dati, al fine di verificare la capacità del modello di gestire le peculiarità di tali dati e di identificare gli effetti causali di interesse.