Portal InstitucionalUFPEL

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.

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.

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.