Causale vragen zijn belangrijk op veel wetenschappelijke gebieden. Bijvoorbeeld vragen over wat een nieuw geneesmiddel betekent voor de gezondheid van patiënten, hoe milieuveranderingen van invloed zijn op wilde dieren of waardoor economische recessies ontstaan. Voor het beantwoorden van deze vragen is meestal een gerandomiseerde gecontroleerde trial nodig. Zo worden de proefpersonen in een onderzoek naar de effecten van een nieuw geneesmiddel ingedeeld in twee willekeurige groepen. De ene groep krijg het geneesmiddel en de andere groep wordt niet behandeld, en vervolgens wordt de uitkomst bij de twee groepen met elkaar vergeleken. Maar soms zijn gerandomiseerde gecontroleerde trials te duur, onethisch of niet uitvoerbaar. In zulke scenario's kunnen de onderzoekers causale inferentiemethoden gebruiken om inzicht te krijgen in oorzaak-en-gevolgrelaties met behulp van observationele gegevens, zonder dat er een gerandomiseerde gecontroleerde trial nodig is.
In dit proefschrift worden methoden ontwikkeld waarmee enkele praktische uitdagingen bij het toepassen van deze causale inferentiemethoden worden aangepakt, met name bij ontbrekende gegevens of datasets met een mengsel van typen variabelen.
Ankur Ankan (1993) heeft een master in artificial intelligence van de Radboud Universiteit. In 2019 begon hij aan zijn promotieonderzoek bij het Tumor Immunology Lab van het Radboud UMC, en later verhuisde hij naar het Institute for Computing and Information Sciences (iCIS) van de Radboud Universiteit. Op dit moment werkt hij als postdoc bij iCIS.