Nome do Projeto
Desenvolvimento de métodos estatísticos para inferência causal
Ênfase
Pesquisa
Data inicial - Data final
28/08/2023 - 14/08/2025
Unidade de Origem
Coordenador Atual
Área CNPq
Multidisciplinar
Resumo
O projeto tem como objetivo desenvolver metodologias estatísticas que contribuam para fortalecer o processo de inferência causal em epidemiologia. O principal obstáculo para inferência causal é o fenômeno conhecido como problema fundamental da inferência causal, o qual postula que dados empíricos fornecem informações parciais (que, apesar de úteis, são incompletas) sobre as relações causais entre, por exemplo, um fator de risco de uma doença. Portanto, é impossível saber com total certeza se, por exemplo, uma associação entre um fator de risco e uma doença se deve a uma relação de causa e efeito ou a alguma fonte de viés (incluindo confundimento e viés de seleção).
Devido ao problema fundamental da inferência causal, é consenso na literatura que inferência causal requer que o pesquisador faça pressupostos sobre as relações causais entre as variáveis pertinentes à pergunta de pesquisa à luz da literatura e conhecimento disponíveis. De fato, um dos principais avanços recentes no campo da inferência causal foi esclarecer quais os pressupostos necessários para que diferentes metodologias forneçam estimativas de efeito causal válidas. Portanto, com base nos pressupostos que diferentes metodologias necessitam e do conhecimento disponível sobre o assunto, podem ser elaboradas diferentes estratégias de delineamento de estudo ou de análise estatística para tentar minimizar o risco de viés. Porém, é importante compreender que estas estratégias dependem das premissas causais serem corretas, o que é impossível verificar empiricamente (justamente pelo problema fundamental da inferência causal). Portanto, alguns autores sugerem que, ao invés de confiar em apenas uma metodologia, o processo de inferência causal seja baseado em triangulação - ou seja, em comparar resultados obtidos por diferentes metodologias, cada uma sujeita a diferentes vieses.
Este projeto pretendo desenvolver métodos estatísticos que contribuam para este processo de triangulação, fornecendo ferramentas que permitam avaliação empírica da plausibilidade de alguns pressupostos chave para inferência causal.
Objetivo Geral
O projeto tem como objetivo desenvolver métodos para as seguintes finalidades:
- Avaliação empírica da plausibilidade de ausência de confundimento.
- Avaliação empírica da plausibilidade de ausência de viés de seleção.
- Estimação de parâmetros causais bem-definidos utilizando variáveis instrumentais.
- Avaliação empírica da plausibilidade de ausência de confundimento.
- Avaliação empírica da plausibilidade de ausência de viés de seleção.
- Estimação de parâmetros causais bem-definidos utilizando variáveis instrumentais.
Justificativa
Inferência causal robusta é de extrema importância para epidemiologia e saúde pública. Diferenciar causas de marcadores de risco é necessário para o desenvolvimento de intervenções que de fato beneficiem a saúde da população, tendo em vista que intervenções só serão efetivas se atuarem sobre causas.
Como mencionado no resumo, alguns autores propõe a triangulação como uma abordagem para inferência causal. Para que triangulação seja possível, é necessário que existam métodos que fazem pressupostos diferentes, de modo que viés em um não necessariamente implica em viés nos demais. Assim, concordância entre os diferentes métodos daria suporta para o resultado em questão. Os métodos propostos neste projeto contribuem para triangulação (e, portanto, para inferência causal) das seguintes formas:
1) A forma mais comum de reduzir o risco de confundimento em estudos observacionais é através de análises multivariadas, cujo aspecto crítico é a escolha adequada das variáveis de ajuste (covariáveis). Esta escolha geralmente é feita com base em pressupostos causais elaborados à luz do conhecimento disponível (conforme descrito no resumo). Porém, não existem métodos que permitam avaliar se o conjunto de covariáveis, de fato, é adequado para eliminar confundimento. O presente projeto visa elaborar um método estatístico que permite avaliar (ao menos parcialmente) a adequação das covariáveis, portanto permitindo triangulação entre o pressuposto de ausência de confudimento (após ajuste para covariáveis) e os resultados da avaliação empírica fornecidos pelo teste.
2) As formas mais comuns de reduzir o risco de viés de seleção (tanto em estudos observacionais quanto experimentais) é através de imputaçção múltipla ou ponderação, cujo aspecto crítico também é a escolha adequada de covariáveis. O presente projeto visa elaborar um método estatístico que permite avaliar (ao menos parcialmente) a adequação das covariáveis para eliminar viés de seleção, portanto permitindo triangulação entre o pressuposto de ausência de viés de seleção (após ajuste para covariáveis) e os resultados da avaliação empírica fornecidos pelo teste.
3) Uma forma alternativa de lidar com confundimento é através de análises de variável instrumental, que fazem um conjunto diferente de pressupostos os quais permitem inferência causal válida mesmo se houver confundimento. Porém, além dos pressupostos necessários para uma análise de variável instrumental válida, são necessários pressupostos adicionais para que o resultado fornecido por esta análise possa ser interpretado quantitativamente. Há ampla literatura sobre estes pressupostos adicionais e como eles impactam a interpretação dos resultados, mas consideravelmente menos estudos sobre método de estimação alternativos que forneçam resultados interpretáveis mesmo que estes pressupostos adicionais sejam violados. O presente projeto visa desenvolver formas alternativas de estimação que forneçam resultados interpretáveis mesmo que pressupostos tipicamente considerados necessários para isso sejam violados.
Como mencionado no resumo, alguns autores propõe a triangulação como uma abordagem para inferência causal. Para que triangulação seja possível, é necessário que existam métodos que fazem pressupostos diferentes, de modo que viés em um não necessariamente implica em viés nos demais. Assim, concordância entre os diferentes métodos daria suporta para o resultado em questão. Os métodos propostos neste projeto contribuem para triangulação (e, portanto, para inferência causal) das seguintes formas:
1) A forma mais comum de reduzir o risco de confundimento em estudos observacionais é através de análises multivariadas, cujo aspecto crítico é a escolha adequada das variáveis de ajuste (covariáveis). Esta escolha geralmente é feita com base em pressupostos causais elaborados à luz do conhecimento disponível (conforme descrito no resumo). Porém, não existem métodos que permitam avaliar se o conjunto de covariáveis, de fato, é adequado para eliminar confundimento. O presente projeto visa elaborar um método estatístico que permite avaliar (ao menos parcialmente) a adequação das covariáveis, portanto permitindo triangulação entre o pressuposto de ausência de confudimento (após ajuste para covariáveis) e os resultados da avaliação empírica fornecidos pelo teste.
2) As formas mais comuns de reduzir o risco de viés de seleção (tanto em estudos observacionais quanto experimentais) é através de imputaçção múltipla ou ponderação, cujo aspecto crítico também é a escolha adequada de covariáveis. O presente projeto visa elaborar um método estatístico que permite avaliar (ao menos parcialmente) a adequação das covariáveis para eliminar viés de seleção, portanto permitindo triangulação entre o pressuposto de ausência de viés de seleção (após ajuste para covariáveis) e os resultados da avaliação empírica fornecidos pelo teste.
3) Uma forma alternativa de lidar com confundimento é através de análises de variável instrumental, que fazem um conjunto diferente de pressupostos os quais permitem inferência causal válida mesmo se houver confundimento. Porém, além dos pressupostos necessários para uma análise de variável instrumental válida, são necessários pressupostos adicionais para que o resultado fornecido por esta análise possa ser interpretado quantitativamente. Há ampla literatura sobre estes pressupostos adicionais e como eles impactam a interpretação dos resultados, mas consideravelmente menos estudos sobre método de estimação alternativos que forneçam resultados interpretáveis mesmo que estes pressupostos adicionais sejam violados. O presente projeto visa desenvolver formas alternativas de estimação que forneçam resultados interpretáveis mesmo que pressupostos tipicamente considerados necessários para isso sejam violados.
Metodologia
Os métodos de avaliação empírica de confundimento e viés de seleção serão desenvolvidos da seguinte forma:
1) Revisão de literatura para identificar métodos pertinentes, ainda que não solucionem o problema de forma satisfatória.
2) Elaboração dos teoremas e provas pertinentes. Estes focarão no que é conhecido como "identificação não-paramétrica", ou seja, os resultados serão baseados em modelos geradores de dados genéricos, sem depender de pressupostos específicos (como linearidade ou normalidade). Isto proporciona que as conclusões sejam amplamente generalizáveis.
3) Realizar simulações para corroborar os resultados teóricos e ilustrar pontos específicos (especialmente limitações).
4) Utilizar o método em dados reais para ilustrar sua aplicação prática, bem como formas factíveis de tentar minimizar limitações.
5) Redação de artigo científico para publicação.
Pretende-se iniciar o projeto pelo método de ajuste para confundimento, pois alguns resultados preliminares sugerem que métodos neste campo podem ser adaptados para viés de seleção.
Quanto aos métodos alternativos para estimação de efeitos causais interpretáveis utilizando variáveis instrumentais, as atividades serão as mesmas, com exceção do ponto 2. Neste caso, os teoremas e provas pertinentes serão elaborados a partir de um modelo gerador de dados que contemple os pressupostos (e suas violações) que se deseja avaliar. Isto difere do caso dos métodos para confundimento e viés de seleção, pois estimar efeitos causais utilizando variáveis instrumentais requer pressupostos paramétricos.
1) Revisão de literatura para identificar métodos pertinentes, ainda que não solucionem o problema de forma satisfatória.
2) Elaboração dos teoremas e provas pertinentes. Estes focarão no que é conhecido como "identificação não-paramétrica", ou seja, os resultados serão baseados em modelos geradores de dados genéricos, sem depender de pressupostos específicos (como linearidade ou normalidade). Isto proporciona que as conclusões sejam amplamente generalizáveis.
3) Realizar simulações para corroborar os resultados teóricos e ilustrar pontos específicos (especialmente limitações).
4) Utilizar o método em dados reais para ilustrar sua aplicação prática, bem como formas factíveis de tentar minimizar limitações.
5) Redação de artigo científico para publicação.
Pretende-se iniciar o projeto pelo método de ajuste para confundimento, pois alguns resultados preliminares sugerem que métodos neste campo podem ser adaptados para viés de seleção.
Quanto aos métodos alternativos para estimação de efeitos causais interpretáveis utilizando variáveis instrumentais, as atividades serão as mesmas, com exceção do ponto 2. Neste caso, os teoremas e provas pertinentes serão elaborados a partir de um modelo gerador de dados que contemple os pressupostos (e suas violações) que se deseja avaliar. Isto difere do caso dos métodos para confundimento e viés de seleção, pois estimar efeitos causais utilizando variáveis instrumentais requer pressupostos paramétricos.
Indicadores, Metas e Resultados
Resultados preliminares indicam que será possível desenvolver métodos úteis nos três campos. Ao final da pesquisa, espera-se produzir ao menos três artigos científicos (um para cada aplicação). Porém, considerando a natureza ambiciosa do projeto, é bastante provável que sejam publicados artigos com resultados intermediários descrevendo avanços metodológicos que devam ser publicados por seu próprio mérito.
Equipe do Projeto
| Nome | CH Semanal | Data inicial | Data final |
|---|---|---|---|
| FERNANDO PIRES HARTWIG | 10 | ||
| George Davey Smith | |||
| Karisa Roxo Brina |