Hlavní Jiný Kauzální mediace

Kauzální mediace

Přehled

balíček microsoft pro mac

Software

Popis

Webové stránky

Čtení

Kurzy

Přehled

Tato stránka stručně porovnává mediační analýzu z tradičního i kauzálního rámce závěrů. K dispozici je anotovaný seznam zdrojů, následovaný navrhovaným článkem pro budoucí projekt Epi 6 týkající se kauzální mediace.

Popis

Co je mediace?

Vědci mohou vyslovit hypotézu, že část nebo celý účinek expozice na výsledek působí prostřednictvím mediátora, což je účinek expozice a příčina výsledku. Když se předpokládá mediátor, lze celkový účinek rozdělit na dvě části: přímý a nepřímý účinek. Přímý účinek je účinek expozice na výsledek bez mediátora. Nepřímou cestou je účinek expozice na výsledek, který funguje prostřednictvím mediátora.

Proč se starat o mediaci?
Existuje mnoho motivací k provádění mediální analýzy, ale zastřešujícím cílem je kauzální vysvětlení. Mezi další konkrétnější důvody patří: zvýšení platnosti konstruktu, posílení důkazů o hypotéze hlavních účinků, porozumění mechanismům a účinným látkám, kterými expozice způsobuje onemocnění, a hodnocení a zlepšování intervencí (tj. Identifikace náhradních výsledků). Motivace mediální analýzy spočívá v tom, k jakému účinku - přímému nebo nepřímému - chce výzkumník izolovat, což závisí na výzkumných zájmech. Například pokud se výzkumný pracovník hlavně zajímá o vyloučení zprostředkovaných cest, které nejsou předmětem zájmu, aby se posílily jejich důkazy o vztahu expozice-výsledek, účinkem zájmu je přímý účinek. Na druhou stranu, pokud jsou zajímavé základní mechanismy, kterými expozice způsobuje onemocnění, může mít výzkumný pracovník větší zájem na odhadu nepřímého účinku.

Jak byla mediace tradičně zkoumána v literatuře?

Kvalitativní přístup (kauzální kroky Barona a Kennyho)

Tradiční přístup k mediaci - to, co jsme se naučili na většině našich hodin epidemiologie a biostatistiky - navrhli Baron a Kenny v roce 1986 (raná verze se objevila v Judd a Kenny, 1981). Čtyři kroky k identifikaci mediátora jsou shrnuty jako:

  1. Vyzkoušejte celkový účinek X na Y

  2. Vyzkoušejte vztah mezi X a M.

  3. Otestujte vztah mezi M a Y, ovládejte X

  4. Deklarujte, zda je M částečný nebo úplný prostředník

V epidemiologii se běžně používá poslední krok - to znamená vložení navrhovaného mediátora do modelu a posouzení, zda došlo k znatelnému snížení rozsahu odhadu parametru ve srovnání upraveného odhadu se surovým množstvím. K definování výrazu „znatelný“ se obvykle používá libovolná metrika, například pravidlo 10%.

Kvantitativní přístup (metoda produktu Barona a Kennyho nebo metoda rozdílu)

Lze použít kvantitativnější přístup k mediaci získáním odhadu celkové, přímé a nepřímé dráhy. Na jednoduchých obrázcích výše je odhadem celkového účinku hodnota odhadu parametru pro expozici, když je výsledek regresní na expozici; přímý účinek je odhad parametru pro expozici, když je výsledek snížen na expozici a mediátora.

Nepřímý účinek lze vypočítat buď pomocí produktu, nebo metodou rozdílu. Použitím metody produktu se odhad parametru expozice v modelu XàM vynásobí odhadem parametru pro mediátor v modelu MàY upraveným pro X (a * b). Rozdílová metoda jednoduše odečte přímý účinek od součtu (c-c '), aby získal nepřímý účinek. Je třeba poznamenat, že protože odhad nepřímého účinku vyžaduje pouze vynásobení nebo odečtení dvou odhadů parametrů, získání odhadu statistické významnosti nepřímého účinku je komplikované a vyžaduje ruční výpočet nebo použití nějakého makra.

Omezení tradičního přístupu

Existují dvě hlavní omezení tradičního přístupu k odhadu přímých a nepřímých účinků.

Za prvé, efektový rozklad - skutečnost, že přímé a nepřímé účinky se sčítají k celku - pomocí metody produktu nebo rozdílu funguje pouze ve zvláštním případě, kdy je pro modely mediátoru a výsledku použita lineární regrese a pokud nedochází k interakci expozice s mediátorem . Pokud je přítomna interakce a je použit tradiční přístup, získané odhady efektů nebudou interpretovatelné. Jedním bodem, který stojí za zmínku o hodnocení mediace s binárními výsledky, když je výsledek společný, je to, že z důvodu nekolabovatelnosti poměru šancí bude mít tradiční přístup k mediaci, i když nedojde k žádné interakci X-M, neproveditelný odhad. Konkrétně by vám to poskytlo konzervativní test mediace (další informace najdete v učebnici VanderWeeleho).

Zadruhé, často ignorovaný předpoklad tohoto přístupu není žádným neměřeným zmatením cesty M-Y. Tento předpoklad může být porušen jak v observačních studiích, tak i v RCT, protože zatímco expozici lze někdy randomizovat, často neplatí, že by byla randomizována jak expozice, tak mediátor.

Kauzální mediace

Metody kauzální inference pro analýzu mediace (kauzální mediace) jsou rozšířením tradičního přístupu vyvinutého pro lepší řešení výše popsaných hlavních omezení. Za prvé, tyto metody umožňují efektový rozklad za přítomnosti interakce X-M definováním přímých a nepřímých účinků (řízených nebo přirozených) z rámce potenciálních výsledků (PO) a vývojem odhadů těchto veličin, které nejsou specifické pro daný model. Zadruhé, kauzální mediace jasně vysvětluje čtyři hlavní předpoklady pro odhad přímých a nepřímých účinků a poskytuje jasnost nezměřeným matoucím předpokladům požadovaným k provedení mediace. Přístup kauzální mediace klade důraz na provádění analýz citlivosti, aby se prozkoumala závažnost zjištění ohledně porušení těchto předpokladů.

V kauzální mediaci existují čtyři hlavní předpoklady. Tyto předpoklady jsou v zásadě stejné jako ty, které jsou vyžadovány pro provádění mediačních analýz v tradičním rámci, ale jsou uvedeny jasně a předem. Existují dva typy přímých a nepřímých účinků: kontrolované a přirozené. K odhadu kontrolovaných účinků jsou zapotřebí první dva předpoklady; všechny čtyři jsou potřebné pro odhad přirozených účinků.

Řízené přímé a přirozené přímé a nepřímé efekty lze definovat pomocí notace PO a odhady lze získat pomocí Pearl's mediačních vzorců. Při absenci interakce jsou všechny přímé účinky stejné (a jsou ekvivalentní tradičnímu přístupu) a všechny nepřímé účinky jsou stejné. Když je přítomna interakce X-M, získáte tolik kontrolovaných přímých efektů, kolik máte úrovní mediátora. Naproti tomu za přítomnosti interakce je získán pouze jeden odhad pro přirozený přímý účinek (čistý nebo celkový) a jeden odhad pro přirozený nepřímý účinek (čistý nebo celkový) a tyto odhady jsou součtem celkového účinku. To, zda se rozhodnete odhadnout čistý nebo celkový přirozený přímý / nepřímý účinek, závisí na tom, kterému odhadu chcete přiřadit interakci X-M. To znamená, že můžete buď odhadnout čistý nepřímý účinek a celkový přímý účinek, nebo celkový nepřímý účinek a čistý přímý účinek; v závislosti na zvolené kombinaci je interakce X-M buď absorbována do přímého, nebo nepřímého účinku.

Definice PO a Pearlovy rovnice pro každý efekt jsou následující:

Definice PO:

Řízený přímý účinek:

  • Y1m-Y0m, kde jsme nastavili M = m

Přirozený přímý účinek:

  • Čistý: Y1M0-Y0M0

  • Celkem: Y1M1-Y0M1

Přirozený nepřímý účinek:

  • Čistý: Y0M1-Y0M0

  • Celkem: Y1M1-Y1M0

Odhad množství PO (Pearl's Mediation Formula)

Tyto rovnice jsou zjednodušené a zobrazují se pouze čisté odhady přímých a celkových nepřímých účinků; ve skutečnosti byste také museli podmínit zmatky v každém vzorci.

Řízený přímý účinek:

  • E [Yxm-Yx * m] = E [Y | x, m] -E [Y | x *, m]

Čistý přímý účinek: Vezme CDE pro všechny hodnoty m a váží jej P (mediátor | neexponovaný); vážení P (mediátor | vystavený) by poskytlo odhad celkového přímého účinku.

  • E [YxMx * -Yx * Mx *] = ∑mx *, m] P (m | x *)

Celkový nepřímý účinek

  • E [YxMx-YxMx *] = ∑mE [Y | x, m] x *)

Řízené vs. přirozené účinky

Odhad množství PO zdůrazňuje oblast kontroverze v literatuře kauzální mediace, debata kolem odhadů kontrolovaného vs. přirozeného účinku. Přírodní efekty vyžadují k získání odhadů další předpoklady a někteří vědci se domnívají, že tyto předpoklady jsou příliš silné. Konkrétně při odhadu přírodních účinků je nutný předpoklad „kontroverzního světa“, což je v aplikaci váha našeho řízeného přímého účinku poměrem mediátora mezi konkrétní úrovní expozice. Řízené účinky vyžadují méně předpokladů a jsou normativní ve svém přístupu podobném RCT hypotetickým přiřazením stejné hodnoty mediátora všem jednotlivcům v populaci. Někteří považují kontrolované účinky za takové, které mají větší politický význam než přírodní účinky (viz Naimi et al, 2014).

Naproti tomu přírodní účinky zkoumají mediaci z deskriptivnější perspektivy s důrazem na pochopení mechanismů. Aby to bylo možné, musí být mediátorovi umožněno měnit se, jak by to bylo přirozeně za určitých podmínek expozice, na rozdíl od toho, aby jej stanovil na určitou úroveň pro všechny. Ačkoli vyžaduje více předpokladů, hlavní výhodou přirozených účinků je, že účinek rozkladu funguje za přítomnosti interakce: můžete získat odhad přímého i nepřímého účinku. To umožňuje odhad podílu celkového účinku způsobeného mediátorem (podíl zprostředkovaný), který není možné odhadnout pomocí kontrolovaných efektů, vzhledem k tomu, že existuje tolik kontrolovaných přímých účinků jako vrstev mediátora.

Příklady použití

Pole kauzální mediace je poměrně nové a techniky se objevují často. Níže uvádíme souhrny dvou snadno implementovatelných nástrojů kauzální mediace v softwaru známém většině epidemiologů.

SAS makro

Makro SAS je regresní přístup k odhadu kontrolovaných přímých a přirozených přímých a nepřímých účinků. Toto makro snadno zpracovává rozklad na přímé a nepřímé účinky za přítomnosti interakce XM a umožňuje X, M a Y mít různé formy: expozice a mediátor mohou být binární nebo spojité a výsledek může být spojitý, binární (logistické nebo log-lineární modely), počet (jedovaté nebo záporné binomické modely) nebo čas do události (proporcionální rizika nebo modely zrychlené doby selhání). Makro také dokáže zpracovat data, která využívají různé návrhy studií. Jednou z hlavních výhod používání takového makra - bez ohledu na to, zda chcete modelovat interakci X-M - je, že získáte odhad nepřímého účinku a jeho úrovně významnosti ve vašem výstupu.

R mediační balíček

Balíček kauzální mediace společnosti R, mediace, používá simulace k odhadu přímých a nepřímých účinků v případě interakce X-M. Činí tak modelováním interakce v modelu regrese výsledku a pomocí funkce mediate () k odhadu přirozených přímých a nepřímých účinků na základě vzorce zprostředkování Pearl. Pokud si vyšetřovatelé nejsou jisti, zda by měli modelovat interakci X-M, lze provést formální test interakce X-M pomocí funkčního testu.TMint (); významné zjištění naznačuje, že předpoklad o neexistenci interakce X-M neplatí. Aby bylo možné řešit druhé omezení tradičního přístupu, umožňuje funkce analýzy citlivosti, medsens (), vyšetřovatelům zkoumat pomocí simulací robustnost jejich zjištění vůči potenciálním neměřeným M-Y zmatkům. Výsledky všech analýz se zobrazují pomocí funkcí Summary () a plot ().

Na závěr: Takže, co dělat ...

Pokud nedochází k interakci mediátoru expozice:

  • Kauzální mediace bude ekvivalentní tradičnímu přístupu (pokud jsou splněny předpoklady a jsou dány další upozornění týkající se zmíněných variabilních forem).

Pokud je přítomna interakce mediátor expozice:

  • K detekci přítomnosti nebo nepřítomnosti mediace můžete stále používat tradiční přístupy, ale pokud se pokusíte odhadnout přímé a nepřímé účinky, budou vaše odhady zkreslené.

  • Můžete odhadnout přirozené nepřímé a přímé účinky

Pokud si nejste jisti, zda dochází k interakci mediátor expozice:

  • Někteří vědci navrhují provozovat vaše modely oběma způsoby - s interakcí X-M i bez ní - a zkoumat změnu v odhadech z modelu na další (tj. Nespoléhat se pouze na význam termínu interakce X-M ve výsledném regresním modelu). Pokud se při modelování interakce X-M nezdá, že by došlo k znatelné změně rozsahu odhadů parametrů, mohlo by být nejlepší držet se jednoduššího přístupu.

Pokud vás znepokojují žádné nezměřené matoucí předpoklady:

  • Je-li to možné, omezte neměřené zmatení ve fázi návrhu studie zvážením zprostředkovatelských cest zájmu a sběrem dat jak na X-Y, tak na M-Y.

  • Provádějte analýzy citlivosti, abyste prozkoumali robustnost výsledků v různých scénářích neměřeného zmatení. Některé programy (tj. R) mají zabudované funkce analýzy citlivosti. Kapitola 3 v učebnici VanderWeele je věnována způsobům provádění analýz citlivosti.

Čtení

Učebnice a kapitoly

Kauzální mediace

  • VANDERWEELE, T. 2015. Vysvětlení v kauzálním závěru: Metody mediace a interakce, Oxford University Press.
    Nová učebnice mediace; stručný, ale rozsáhlý popis kauzální mediace.

Tradiční přístup

  • MACKINNON, D. P. 2008. Úvod do statistické meditační analýzy, Routledge.
    Jasná diskuse o tradičním přístupu a jeho omezeních.

Metodické články

Tradiční metoda:

  • JUDD, C. M. & KENNY, D. A. 1981. Analýza procesu: Odhad mediace v hodnocení léčby. Review Review, 5, 602-619.

  • BARON, R. M. & KENNY, D. A. 1986. Proměnlivé rozlišení moderátor-mediátor v sociálně psychologickém výzkumu: koncepční, strategické a statistické úvahy. J Pers Soc Psychol, 51, 1173-82.
    Původní články o mediaci, které nastiňují tradiční metodu a její předpoklady.

  • MACKINNON, D. P., FAIRCHILD, A. J. & FRITZ, M. S. 2007. Mediační analýza. Annu Rev Psychol, 58, 593-614.
    Přehled statistických metod pro hodnocení mediace nad rámec přístupu popsaného v Baron a Kenny.

Přístup kauzální inference (kauzální zprostředkování):

Pozadí kauzální mediace z hlediska potenciálních výsledků:

  • ROBINS, J. M. & GREENLAND, S. 1992. Identifikovatelnost a zaměnitelnost za přímé a nepřímé účinky. Epidemiologie, 3, 143-55.
    Vysvětlení kauzální mediace z pohledu potenciálních výsledků. Nastiňuje různé kauzální typy mediace; užitečné číst spolu s Hafeman 2008.

  • HAFEMAN, D. M. 2008. Přístup k hodnocení mediace založený na dostatečném počtu příčin. Eur J Epidemiol, 23, 711-21.
    Vysvětlení kauzální mediace z pohledu dostatečné složky příčiny. Nastiňuje různé typy mediace; užitečné při propojení synergie a mediace.

Motivace pro kauzální medikační analýzu:

  • PEARL, J. Přímé a nepřímé účinky. Sborník příspěvků ze sedmnácté konference o nejistotě umělé inteligence, 2001. Morgan Kaufmann Publishers Inc., 411-420. (sekce 2)
    Poskytuje vzorce pro kauzální mediaci. Trochu hustá, ale klíčová práce v chápání kauzální mediace.

  • HAFEMAN, D. M. & SCHWARTZ, S. 2009. Otevření černé skříňky: motivace pro hodnocení mediace. Int J Epidemiol, 38, 838-45.
    Nástin motivace kauzální medikace se zaměřením na přirozené účinky.

Přirozené vs. kontrolované účinky:

  • NAIMI, A. I., KAUFMAN, J. S. & MACLEHOSE, R. F. 2014. Mediační pochybnosti: nejednoznačné klinické a veřejné zdravotní interpretace přírodních přímých a nepřímých účinků. Int J Epidemiol, 43, 1656-1661.
    Přehled kontrolovaných vs. přirozených účinků a kladů / záporů každého přístupu.

  • KAUFMAN, J. S., MACLEHOSE, R. F. & KAUFMAN, S. 2004. Další kritika analytické strategie úpravy pro kovariáty za účelem identifikace biologické mediace. Epidemiol Perspect Innov, 1,4.
    Vysvětluje kauzální mediaci z pohledu PO; popisuje a demonstruje problémy s odhadováním kontrolovaných účinků za přítomnosti interakce.

  • KAUFMAN, J. S. 2009. Komentář: Zlacení černé skříňky. International Journal of Epidemiology, 38, 845-847.
    Komentář k Hafemanovi a Schwartzovi, 2009; zastánce kontrolovaných účinků.

  • SCHWARTZ, S., HAFEMAN, D., CAMPBELL, U. & GATTO, N. 2010. Odpověď autora. Komentář: pozlacení černé skříňky. Int J Epidemiol, 39, 1399-401.
    Odpověď na komentář Kaufman, 2009.

Odhad přímých a nepřímých účinků:

  • PEARL, J. Přímé a nepřímé účinky. Sborník příspěvků ze sedmnácté konference o nejistotě umělé inteligence, 2001. Morgan Kaufmann Publishers Inc., 411-420. (část 3)
    Oddíl 3 článku Pearl z roku 2001 poskytuje vzorce pro odhad kontrolovaného přímého účinku, přirozeného přímého účinku a přirozeného nepřímého účinku. Představa je hustá, ale jakmile pochopíte Pearl, porozumíte mnoha běžným analytickým nástrojům zprostředkování, které jsou založeny na jeho vzorci zprostředkování.

  • PETERSEN, M. L., SINISI, S. E. & VAN DER LAAN, M. J. 2006. Odhad přímých kauzálních účinků. Epidemiologie, 17, 276-84.
    Odhad přímých účinků pomocí přístupného jazyka a vzorců; dobré číst spolu s Pearl 2001.

Články o aplikaci

Odhad přímých a nepřímých účinků pomocí rámce založeného na regresi:

SAS a SPSS

  • Valeri a Vanderweele SAS Macro (k dispozici na webové stránce jeho nástrojů a výukových programů): http://www.hsph.harvard.edu/tyler-vanderweele/tools-and-tutorials/
    Návody a základní informace o kauzální mediaci pomocí makra SAS k odhadu kontrolovaných přímých, přirozených přímých a přirozených nepřímých účinků. Tento článek je příspěvkem typu „back-bone“ a po přidání dalších funkcí byly publikovány další příspěvky (viz níže).

Další zdroje pro analýzu přežití (čas do výsledku události)

  • VANDERWEELE, T. J. 2011. Causal Mediation Analysis With Survival Data. Epidemiology, 22, 582-585.

  • VALERI, L. & VANDERWEELE, T. J. 2015. SAS makro pro analýzu kauzální mediace s daty přežití. Epidemiologie, 26, e23-4.
    Původní makro od Valeriho a VanderWeeleho nebylo schopné analyzovat časová data výsledku; v březnu 2015 byla tato funkce k dispozici.

Další zdroje pro logistickou regresní analýzu pro binární výsledek

  • VANDERWEELE, T. J. & VANSTEELANDT, S. 2010. Kurzové poměry pro medikační analýzu pro dichotomický výsledek. Am J Epidemiol, 172, 1339-48.
    Doplňující informace o problémech s použitím logistické regrese k analýze binárních dat o výsledcích; při provádění analýz kauzální mediace je důležité porozumět upozorněním na binární výsledky.

STÁT

MPLUS

  • MUTHÉN, B. & ASPAROUHOV, T. 2014. Kauzální účinky v modelování mediace: úvod s aplikacemi na latentní proměnné. Modelování strukturálních rovnic: Multidisciplinární časopis, 1-12. http://www.tandfonline.com/doi/pdf/10.1080/10705511.2014.935843
    Začíná nekomplikovaným shrnutím tradiční a kauzální mediace a poté vysvětluje možnosti mediace v MPLUS.

Odhad přímých a nepřímých účinků pomocí rámce založeného na simulaci:

Balíček R.

  • IMAI, K., KEELE, L. & TINGLEY, D. 2010. Obecný přístup k analýze kauzální mediace. Psychol Methods, 15, 309-34.
    Základní informace o teorii, která je základem simulačního přístupu k kauzální mediaci v R. To je užitečné mít jako referenci, která vám pomůže pochopit, jak se vytvářejí odhady při práci prostřednictvím viněty R. Je také užitečné pochopit, jaké odhady jsou poskytovány ve výstupu.

  • TINGLEY, D., YAMAMOTO, T., HIROSE, K., KEELE, L. & IMAI, K. 2014. Mediace: R balíček pro kauzální medikační analýzu. http://cran.r-project.org/web/packages/mediation
    R viněta pro provádění kauzální mediace.

Modul STATA

Analýzy citlivosti:
Analýzy citlivosti jsou důležitou součástí provádění kauzálních mediačních analýz, protože k získání přirozených účinků jsou nutné silné předpoklady. Tyto články pojednávají o různých analýzách citlivosti souvisejících s odlišným předpokladem kauzální mediace. Dále si přečtěte kapitolu 3 učebnice VaderWeele.

  • HAFEMAN, D. M. 2011. Zmatení nepřímých účinků: analýza citlivosti zkoumající rozsah zkreslení v důsledku společné příčiny mediátora i výsledku. Am J Epidemiol, 174, 710-7.

  • VANDERWEELE, T. J., VANSTEELANDT, S. & ROBINS, J. M. 2014. Efektový rozklad v přítomnosti expozičně indukovaného zmatku mediátoru a výsledku. Epidemiologie, 25, 300-6.

Posunutí analýzy zprostředkování nad regresní přístupy (nápad pro budoucí projekt Epi 6):

  • LANGE, T., VANSTEELANDT, S. & BEKAERT, M. 2012. Jednoduchý jednotný přístup pro odhad přirozených přímých a nepřímých účinků. Am J Epidemiol, 176, 190-5.
    Popisuje použití mezních strukturálních modelů jako nástroje pro odhad přímých a nepřímých účinků.

Webové stránky

Čtyřdílná přednáška Tylera VanderWeeleho: Harvardova biostatistická seminární řada

Část 1: https://vimeo.com/harvardcatalyst/review/123625538/7fd460d231

Část 2: https://vimeo.com/harvardcatalyst/review/123625537/7241c2dd4e

Část 3: https://vimeo.com/harvardcatalyst/review/123625539/d70731540c

Část 4: https://vimeo.com/harvardcatalyst/review/123625540/00f720c86f

Přehled nedávné kauzální mediační literatury a praktických aplikačních nástrojů od Tylera VanderWeeleho.

Web Davida Kennyho: http://davidakenny.net/cm/mediate.htm
Přehled mediace z pohledu tradiční i kauzální mediace.

Zajímavé Články

Redakce Choice

Jak vytvořit firemní stránku na Facebooku bez osobního účtu? Je to možné?
Jak vytvořit firemní stránku na Facebooku bez osobního účtu? Je to možné?
Jak vytvořit firemní stránku na Facebooku bez osobního účtu? Je to možné? Podívejte se a naučte se, jak vytvořit firemní fb stránku...
Rick D'Avino
Rick D'Avino
Rick D'Avino je výkonným ředitelem společnosti PricewaterhouseCoopers, kde pracuje s místopředsedou PwC a řídícím partnerem USA, jejím globálním daňovým vůdcem, jejím americkým daňovým vůdcem a působením PwC v oblasti daňové politiky ve Washingtonu, DC Kromě toho Rick v současné době slouží jako předseda skupiny PwC Insourced Solutions for Tax. Rick působil ve společnosti GE v letech 1991 až 2013, jako viceprezident a hlavní daňový poradce ve společnosti GE Capital do roku 2005 a následně jako viceprezident a hlavní daňový poradce ve společnosti General Electric Company. Rick byl zodpovědný za všechny aspekty zdanění společnosti GE Capital a po roce 2005 i za společnost GE Corporate a za podíl GE na společnosti NBC Universal. Rick také působil v představenstvech GE Capital Corporation a GE Capital Services v letech 2009 až 2012 a GE SeaCo, společného podniku mezi GE a Sea Containers Ltd., v letech 1996 až 2011. Rick zahájil kariéru u soudce Alvina B. Rubin u odvolacího soudu USA pro pátý obvod, poté působil jako spolupracovník ve společnosti Cohen & Uretz ve Washingtonu, DC Rick poté působil jako advokát-poradce a zástupce daňového legislativního poradce na ministerstvu financí USA v letech 1983– 1987. Před příchodem do GE byl Rick daňovým partnerem ve společnosti King & Spalding ve Washingtonu, DC Rick byl členem poradní rady Internal Revenue Service, výkonného výboru daňové sekce advokátní komory v New Yorku a Washingtonu, DC a Pensylvánské bary. Rick působil jako mimořádný profesor na Právnickém centru na Georgetownské univerzitě v letech 1982-1990 a je lektorem práva na Penn Law. Rick působí v Penn Law Board of Overseers, byl prezidentem správní rady absolventů Penn Law Alumni a absolvoval dvě funkční období ve správní radě na Pitzer College. V letech 1994 až 2018 působil v představenstvu DomusKids, organizace pro vzdělávání a sociální péči o děti v Connecticutu. V roce 2018 byl Rick zvolen předsedou představenstva Stamford Academy Domus, charterové školy pro studenty ve stupních devět až dvanáct, kteří bojovali tradiční školní prostředí. Rick je členem správní rady a slouží jako viceprezident National Sawdust, brooklynské neziskové organizace, která poskytuje nejmodernější vybavení a podporu širokému spektru skladatelů, hudebníků a umělců. D’Avino získal titul B.S. z Wharton School of University of Pennsylvania v roce 1977 a promoval na právnické škole v roce 1980, kde byl redaktorem University of Pennsylvania Law Review.
Mobilní telefon Nokia 9 Pure View 2019 Cena, specifikace, Cena v Indii, Fotoaparát, Cena v USD
Mobilní telefon Nokia 9 Pure View 2019 Cena, specifikace, Cena v Indii, Fotoaparát, Cena v USD
Nokia 9 Pure View 2019 Cena, Specifikace, Funkce, Nastavení pěti fotoaparátů. Nokia 9 Pure View 2019 USD Cena, datum vydání, trendy, baterie...
PhD program
PhD program
Získejte titul Ph.D. v sociální práci na Kolumbijské univerzitě. Nabízíme renomovaného a vlivného Ph.D. program od roku 1950.
Kdy je nejlepší den číst knihy? Ráno, odpoledne nebo večer
Kdy je nejlepší den číst knihy? Ráno, odpoledne nebo večer
Někteří lidé říkají, že neexistuje ideální nebo nejlepší čas na čtení knih během dne, ale existuje perfektní den, během kterého můžete číst a učit se.
Eugene Ramos '07, spolupracovník pro Dračího prince
Eugene Ramos '07, spolupracovník pro Dračího prince
The Dragon Prince je fantasy počítačově animovaná streamovací série vytvořená Aaronem Ehaszem a Justinem Richmondem. Je to příběh dvou civilizací, jedné, která má moc magie, a lidí, kteří k magii nemají přirozený přístup.
Co je hlasování s hodnocením a proč je New York City používá?
Co je hlasování s hodnocením a proč je New York City používá?
Poprvé bude New York City používat hlasování s hodnocením podle volby u primátora. Studie ukazují, že je vláda reprezentativnější a omezuje negativní kampaně.