Viés vs. fatores de confusão

Correlação não é causalidade

Conceito fundamental

Duas ameaças, mecanismos diferentes

Viés e confundimento são frequentemente tratados juntos porque ambos distorcem a estimativa de uma associação. Mas seus mecanismos — e suas soluções — são diferentes.

Viés (bias)

Erro sistemático introduzido pelo pesquisador, no desenho, na coleta ou na análise. Não pode ser corrigido depois com estatística: precisa ser prevenido.

Confundimento (confounding)

Distorção causada por uma terceira variável (o confundidor) associada simultaneamente à exposição e ao desfecho, e que não está no caminho causal entre eles. Pode e deve ser controlada na análise quando devidamente medida.

O exemplo clássico

Imagine que um estudo encontre uma associação positiva entre tomar vitaminas e melhora da saúde. Antes de concluir que vitaminas melhoram a saúde, é preciso considerar uma alternativa:

hábitos saudáveis → tomar vitaminas

hábitos saudáveis → melhora da saúde

Pessoas com hábitos saudáveis tomam mais vitaminas e têm melhor saúde — mas as duas coisas não causam uma à outra. A associação entre “tomar vitaminas” e “melhorar a saúde” existe, mas é devida ao confundidor (hábitos saudáveis).

Correlação mede associação, mas não implica causalidade. ## Como distinguir viés de confundimento

Aspecto Viés Confundimento
Origem Pesquisador (desenho, coleta, análise) Estrutura causal do mundo
Quando entra? Antes ou durante a coleta Já existe na população
Como evitar? Prevenção no desenho Mensurar e ajustar na análise
Pode ser corrigido depois? Raramente Sim, se medido
Direção Geralmente conhecida Pode ser revelada por DAGs

Exemplos clássicos de confundimento

1 · Idade na relação entre doença crônica e mortalidade

Pessoas com mais doenças crônicas morrem mais — mas a maior parte da associação se deve à idade, que aumenta simultaneamente a chance de doença crônica e a mortalidade (1).

2 · Tabagismo na relação entre álcool e câncer de pulmão

Bebedores pesados fumam mais. Sem ajustar para tabagismo, parece que álcool causa câncer de pulmão — quando o efeito é majoritariamente explicado pelo cigarro (2).

3 · Nível socioeconômico na relação entre dieta e desfechos

Pessoas que comem mais frutas e legumes têm melhores desfechos — mas também têm mais acesso a serviços de saúde, exercício e renda (3).

Estratégias para lidar com confundimento

No desenho do estudo, recorre-se à randomização (em ensaios clínicos), à restrição da amostra a um estrato e ao pareamento de casos e controles. Na análise, à estratificação por níveis do confundidor, à regressão multivariada, à padronização, ao escore de propensão e aos métodos de inferência causal contemporâneos (4).

Os diagramas causais (DAGs, Directed Acyclic Graphs), formalizados por Greenland, Pearl & Robins (5), permitem distinguir visualmente os confundidores, que devem ser ajustados, das variáveis no caminho causal, que não devem ser ajustadas sob pena de introduzir viés. ## Veja também

A distinção operacional entre viés e confundimento segue Rothman et al. (1) e Last (6). A abordagem causal contemporânea, com DAGs, está em Greenland, Pearl & Robins (5), Hernán & Robins (4) e Pearl (7). Pearce e Lawlor (8) defendem que inferência causal é “muito mais que estatística” — exige raciocínio estrutural sobre o problema.

De volta ao topo

Referências

1.
Rothman KJ, Greenland S, Lash TL. Modern Epidemiology. 3º ed. Philadelphia: Lippincott Williams & Wilkins; 2008.
2.
Klatsky AL, Friedman GD, Siegelaub AB. Alcohol and mortality. A ten-year Kaiser-Permanente experience. Annals of Internal Medicine. 1981;95(2):139–45.
3.
Fillmore KM, Stockwell T, Chikritzhs T, Bostrom A, Kerr W. Moderate alcohol use and reduced mortality risk: systematic error in prospective studies and new hypotheses. Annals of Epidemiology. 2007;17(5, Suppl.):S16–23.
4.
Hernán MA, Robins JM. Causal Inference: What If. Boca Raton: Chapman & Hall/CRC; 2020.
5.
Greenland S, Pearl J, Robins JM. Causal diagrams for epidemiologic research. Epidemiology. 1999;10(1):37–48.
6.
Last JM. A Dictionary of Epidemiology. 4º ed. New York: Oxford University Press; 2001.
7.
Pearl J. Causality: Models, Reasoning, and Inference. 2º ed. Cambridge: Cambridge University Press; 2009.
8.
Pearce N, Lawlor DA. Causal inference—so much more than statistics. International Journal of Epidemiology. 2016;45(6):1895–903.