Variabila de confuzie

O variabilă de confuzie, un factor de confuzie, un factor de confuzie, este o variabilă din statistică care afectează atât variabilele dependente, cât și variabilele independente , rezultând o relație falsă . Încurcarea este un concept cauzal , un element al modelului cauzal și, ca atare, nu poate fi descris în termeni de corelații sau asocieri [1] [2] [3] . Elementele de confuzie sunt unul dintre tipurile de variabile din analiza cauzală împreună cu moderatorii , mediatorii și colizerii [4] [5] [6] .

Definiție

Întanglementul poate fi definit în termeni de generare de date (ca în figura de mai sus). Fie X o variabilă independentă și Y o variabilă dependentă . Pentru a estima efectul lui X asupra lui Y , statisticianul trebuie să elimine efectul variabilelor străine care afectează atât X cât și Y. Spunem că X și Y sunt încurcate cu o variabilă Z ori de câte ori Z afectează cauzal atât X , cât și Y. la Y.

Fie probabilitatea evenimentului Y = y sub o intervenție ipotetică X = x . X și Y nu sunt încurcate dacă și numai dacă următoarea condiție este adevărată: $P(y\mid {\text{do}}(x))$

P(y\mid {\text{face})(x))=P(y\mid x)

pentru toate probabilitățile de eveniment X = x și evenimentul Y = y , unde este probabilitatea condiționată X = x . Intuitiv, această egalitate afirmă că X și Y nu sunt încurcate dacă relația observată dintre ele este aceeași cu relația care ar fi măsurată într-un experiment controlat cu [ en x . $P(y\mid x)$

În principiu, egalitatea definitorie poate fi testată față de modelul de generare a datelor, presupunând că avem toate ecuațiile și probabilitățile asociate modelului. Aceasta se realizează prin modelarea intervenției (vezi rețeaua bayesiană ) și verificând dacă probabilitatea rezultată Y este egală cu probabilitatea condiționată . Rezultă că proprietățile graficului sunt suficiente pentru a verifica egalitatea . $P(y\mid {\text{face})(x))=P(y\mid x)$ ${\text{do}}(X=x)$ $P(y\mid x)$ $P(y\mid {\text{face})(x))=P(y\mid x)$

Control

Luați în considerare un cercetător care încearcă să evalueze eficacitatea medicamentului X pe baza datelor populației, pacienții înșiși alegând medicamentul utilizat. Datele arată că sexul ( Z ) influențează alegerea unui medicament al pacientului, precum și șansele acestora de recuperare ( Y ). În acest scenariu, genul lui Z rupe relația dintre X și Y, deoarece Z este cauza atât pentru X , cât și pentru Y :

Avem inegalitate

P(y\mid {\text {face})(x))\neq P(y\mid x)

deoarece cantitatea observată conține informații despre corelația dintre X și Z , dar cantitatea de confuzie nu (pentru că X nu se corelează cu Z într-un experiment randomizat). Un statistician are nevoie de o estimare imparțială , dar în cazurile în care sunt disponibile doar date observaționale, o estimare imparțială poate fi obținută numai luând în considerare toți factorii de confuzie, și anume, luând în considerare diferitele lor valori și rezultatul mediu. În cazul unui singur factor de confuzie Z , aceasta duce la o „formulă de ajustare”: $P(y\mid {\text{do}}(x))$

P(y\mid {\text{do)}(x))=\sum _{z}P(y\mid x,z)P(z)

care oferă o estimare imparțială a impactului cauzal al lui X asupra lui Y. Aceeași formulă funcționează în prezența mai multor factori de confuzie, cu excepția faptului că în acest caz alegerea mulțimii Z care ar garanta o estimare nepărtinitoare trebuie făcută cu grijă. Criteriul pentru alegerea corectă a variabilelor de confuzie se numește backdoor [7] [8] și necesită ca mulțimea aleasă Z să „blocheze” (sau să intercepteze) fiecare cale de la X la Y care se termină cu o săgeată în X. Astfel de mulțimi sunt numite un „backdoor validă” și poate include variabile care nu sunt cauze comune ale X și Y , ci înlocuitorii lor.

Revenind la exemplul de droguri, deoarece Z satisface cerința backdoor (adică interceptează o cale ), atunci „formula de ajustare” este validă: $X\leftarrow Z\rightarrow Y$

{\begin{aligned}P(Y={\text{recuperat}}\mid {\text{do}}(x={\text{droga medicament))))={}&P(Y={ \text{recuperat}}\mid X={\text{dați medicamentul}},Z={\text{masculin}})P(Z={\text{masculin}})\\&{}+P(Y ={\text{recuperat}}\mid X={\text{dați medicamentul}},Z={\text{feminin}})P(Z={\text{feminin}})\end{aligned}}

Astfel, cercetătorul poate prezice efectul probabil al utilizării unui medicament pe baza unor studii observaționale , în care probabilitățile condiționate care apar în partea dreaptă a ecuației pot fi estimate folosind regresie.

Contrar credinței populare, adăugarea covariate la setul Z poate duce la distorsiuni. Un contraexemplu tipic apare atunci când Z este rezultatul comun al lui X și Y , [9] , caz în care Z nu este un factor de confuzie (adică setul gol este o ușă din spate validă) și luând în considerare Z ar crea o distorsiune cunoscută sub numele de ciocnitor . sau paradoxul lui Berkson .

În general, încurcarea poate fi controlată prin ajustare dacă și numai dacă există un set de covariabile observabile care satisfac condiția backdoor. Mai mult, dacă Z este o astfel de mulțime, atunci formula de reglare a ecuației (3) este într-adevăr <4,5>. Do-calcul lui Jude Pearl oferă condiții suplimentare în care P ( y | do ( x )) poate fi estimat fără a recurge la ajustare [10] .

Istorie

Potrivit lui Morabia (2011) [11] , conceptul de confuzor provine de la verbul latin medieval „confudere” (din latină: con = cu + fusus = a pune sau a îmbina), însemnând „a amesteca”, și probabil a fost ales pentru a denotă confuzie între cauza care trebuie evaluată și alte motive care pot afecta rezultatul și astfel pot confunda sau interfera cu evaluarea dorită. Fisher a folosit cuvântul „încurcăre” în cartea sa din 1935 Design of Experiments [12] pentru a se referi la sursa erorii în descrierea unui experiment randomizat ideal. Potrivit lui Vandenbroucke (2004) [13] , Leslie Kish [14] a folosit pentru prima dată cuvântul „încurcăre” în sensul modern al cuvântului pentru a se referi la „incompatibilitatea” a două sau mai multe seturi (de exemplu, expuse și neexpuse). ) în timpul unei cercetări observaţionale .

Condițiile formale care determină de ce unele seturi sunt „comparabile” și altele „incomparabile” au fost dezvoltate în epidemiologie de Greenland și Robins (1986) [15] folosind limbajul contrafactualelor de Jerzy Neumann (1935) [16] și Donald Rubin (1974) [17] . Acestea au fost completate ulterior cu criterii grafice precum criteriul ușii din spate (Pearl 1993; Greenland, Pearl and Robins, 1999) [3] [7] . S-a demonstrat că criteriile grafice sunt echivalente formal cu definiția contrafactuală [18] , dar sunt mai transparente pentru cercetătorii care se bazează pe modele de proces.

Tipuri

În cazul evaluării riscului al unui anumit factor pentru sănătatea umană , este important să se controleze încurcarea pentru a izola efectul unei anumite amenințări, cum ar fi un aditiv alimentar, un pesticid sau un medicament nou. Pentru studiile prospective , este dificil să recrutați și să selectați voluntari cu același background (vârstă, alimentație, educație, geografie etc.). Și în studiile transversale și repetate , variabilele dependente se pot comporta în moduri similare din motive diferite. Datorită incapacității de a controla calitatea voluntarilor, încurcarea este o problemă specială pentru studiile pe oameni. Din aceste motive , experimentele , spre deosebire de studiile observaționale, sunt o modalitate de a evita majoritatea formelor de încurcare.

În unele discipline, încurcarea este clasificată în diferite tipuri. În epidemiologie , un tip este „confuzia de indicații” [19] , care este asociată cu denaturarea rezultatelor studiilor observaționale . Deoarece factorii de prognostic pot influența deciziile de tratament (și distorsionează estimările efectelor tratamentului), controlul factorilor predictivi cunoscuți poate reduce această problemă, dar există întotdeauna posibilitatea ca un factor uitat sau necunoscut să fi fost omis sau ca factorii să interacționeze într-un mod complicat. cale. Confuzia indicațională este considerată cea mai importantă limitare a studiilor observaționale. Studiile randomizate nu sunt afectate de confuzia de indicație din cauza distribuției aleatorii .

Variabilele de confuzie pot fi, de asemenea, clasificate în funcție de sursa lor: alegerea instrumentului de măsurare (confuzie operațională), caracteristici situaționale (confuzie procedurală) sau diferențe interpersonale (confuzie de personalitate).

Încurcarea operațională poate apărea atât în studiile experimentale, cât și în cele neexperimentale. Acest tip de confuzie apare atunci când o măsură menită să evalueze un anumit construct măsoară din neatenție altceva [20] .
Încurcarea procedurală poate avea loc într-un experiment de laborator sau într-un cvasi-experiment . Acest tip de încurcătură apare atunci când cercetătorul permite în mod eronat să se schimbe o altă variabilă împreună cu variabila independentă controlată [20] .
Confuzia de personalitate apare atunci când două sau mai multe grupuri sunt analizate împreună (ex. lucrători din diferite ocupații) în ciuda faptului că diferă în una sau mai multe alte caracteristici (observabile sau neobservabile) (ex. sex) [21] .

Exemple

Să presupunem că cineva studiază relația dintre ordinea nașterii (primul copil, al doilea copil etc.) și dacă copilul are sindromul Down . În acest studiu, vârsta mamei va fi o variabilă de confuzie:

Vârsta mai mare a mamei este direct legată de sindromul Down la un copil
Vârsta mai înaintată a mamei este direct legată de sindromul Down, indiferent de ordinea nașterii (o mamă care are primul sau al treilea copil la vârsta de 50 de ani prezintă același risc)
Vârsta mamei este direct legată de ordinea nașterii (al 2-lea copil, cu excepția gemenilor, se naște atunci când mama este mai mare decât era la momentul nașterii primului copil)
Vârsta mamei nu este o consecință a ordinii nașterii (a avea un al doilea copil nu afectează vârsta mamei)

Atunci când se evaluează riscul, factori precum vârsta, sexul și nivelul de educație influențează adesea starea de sănătate și, prin urmare, ar trebui monitorizați. În plus față de acești factori, este posibil ca cercetătorii să nu ia în considerare sau să nu aibă acces la date despre alți factori cauzali. Un exemplu este studiul impactului fumatului asupra sănătății umane. Fumatul, consumul de alcool și dieta sunt legate. O evaluare a riscurilor care ia în considerare efectele fumatului, dar nu ia în considerare consumul de alcool sau dieta poate supraestima riscul fumatului [22] . Fumatul și încurcarea sunt luate în considerare în evaluările riscurilor ocupaționale, cum ar fi evaluările de siguranță în minerit de cărbune [23] . Atunci când nu există un eșantion mare de nefumători sau nebăutori într-o anumită profesie, evaluarea riscurilor poate fi înclinată spre efectele negative ale profesiei asupra sănătății.

Reducerea posibilității de încurcare

Probabilitatea apariției și influenței factorilor de confuzie poate fi redusă prin creșterea tipurilor și numărului de comparații făcute în studiu. Dacă măsurătorile sau manipulările principalelor variabile sunt confuze (adică există factori de confuzie operaționale sau procedurale), analiza subgrupurilor poate să nu dezvăluie probleme în studiu. Cu toate acestea, rețineți că creșterea numărului de comparații poate crea alte probleme (consultați Comparații multiple ).

Evaluarea inter pares este un proces care poate ajuta la reducerea confuziei fie înainte ca studiul să fie efectuat, fie după ce analiza a fost efectuată. Evaluarea inter pares se bazează pe evaluarea inter pares în cadrul disciplinei pentru a identifica potențialele puncte slabe în proiectarea și analiza studiului, inclusiv modul în care rezultatele pot fi afectate de confuzie. În mod similar, replicarea vă permite să verificați fiabilitatea rezultatelor studiului în condiții alternative de studiu sau abordări alternative ale analizei rezultatelor acestuia (de exemplu, luând în considerare posibila confuzie neidentificată în studiul original).

În funcție de designul studiului, există diferite moduri de a exclude sau de a controla variabilele confuze [24] :

În studiile caz-control, factorii de confuzie sunt distribuiți în mod egal atât în grupul de studiu, cât și în grupul de control. De exemplu, dacă cineva dorește să studieze cauza unui infarct miocardic și consideră că vârsta este o variabilă probabilă de confuzie, atunci fiecare pacient de 67 de ani cu infarct ar fi asociat cu un participant „de control” sănătos de 67 de ani. În studiile caz-control, variabilele care se suprapun cel mai frecvent sunt vârsta și sexul. Dezavantaj: studiile caz-control sunt posibile numai atunci când este ușor să găsești participanți „de control” al căror statut în ceea ce privește toți factorii de confuzie potențiali cunoscuți este același cu cel al participantului la studiu: să presupunem că un studiu caz-control încearcă să găsească cauza unei anumite boli la o persoană 1) 45 de ani, 2) afro-american, 3) din Alaska , 4) un jucător de fotbal pasionat, 5) un vegetarian și 6) care lucrează în educație. Teoretic, controlul ideal ar fi o persoană care, pe lângă faptul că nu are boala sub investigație, îndeplinește toate aceste caracteristici și nu are boli pe care pacientul nu le are, dar găsirea unui astfel de control este o sarcină foarte dificilă.
În studiile de cohortă este posibil și un anumit grad de concordanță, care se realizează prin includerea doar a anumitor grupuri de vârstă sau sex în populația studiată, astfel încât cohortele să fie comparabile din punct de vedere al variabilelor de confuzie. De exemplu, dacă se poate presupune că vârsta și sexul sunt factori de confuzie într-un studiu de risc pentru infarctul miocardic, atunci la studiul de cohortă participă numai bărbații cu vârste cuprinse între 40 și 50 de ani, care diferă doar în ceea ce privește gradul de activitate fizică. Dezavantaj: în studiile de cohortă, restrângerea excesivă a tipurilor de date de intrare poate determina cercetătorii să definească prea restrâns setul de indivizi plasați în mod similar pentru care consideră că studiul este benefic, astfel încât alte persoane cărora le este într-adevăr aplicabilă legătura de cauzalitate pot pierde posibilitatea de a beneficia de recomandările studiului. Restrângerea excesivă a tipurilor de date de intrare poate reduce dimensiunea eșantionului, astfel încât generalizările făcute prin observarea membrilor acelui eșantion nu sunt semnificative statistic .
Metoda dublu-orb se ascunde atât de populația de studiu, cât și de observatorii cărora îi aparțin participanții la experiment. Deoarece participanții nu știu dacă primesc sau nu tratament, efectul placebo ar trebui să fie același atât pentru grupul de studiu, cât și pentru grupul de control. Deoarece observatorii nu știu nici la ce grup aparțin participanții, ei nu ar trebui să aibă o părtinire față de grupuri și să aibă tendința de a interpreta rezultatele în mod diferit.
Un studiu controlat randomizat este o metodă în care populația de studiu este împărțită aleatoriu pentru a reduce probabilitatea auto-selecției de către participanți sau părtinirea prin designul studiului. Înainte de a începe un experiment, cercetătorii repartizează participanții în grupuri (control, studiu, control paralel) folosind un proces de randomizare, cum ar fi utilizarea unui generator de numere aleatorii . De exemplu, într-un studiu al efectelor exercițiilor fizice, rezultatele ar fi mai puțin sigure dacă participanților li s-ar oferi posibilitatea de a alege dacă doresc să aparțină unui grup de control care nu va face programul de exerciții sau unui grup care ar face programul. . În acest caz, studiul ar fi fost influențat de alte variabile decât exercițiul fizic, cum ar fi starea de sănătate pre-experiment și motivația de a se angaja în activități sănătoase. Experimentatorul, dacă are posibilitatea de a alege, poate alege și candidați care au șanse mai mari să arate rezultatele pe care dorește să le vadă sau poate interpreta rezultatele subiective (mai energice, atitudine pozitivă) în conformitate cu dorințele sale.
Stratificare . Ca și în exemplul de mai sus, se crede că activitatea fizică protejează împotriva infarctului miocardic; vârsta este considerată un posibil factor de confuzie. Datele colectate sunt stratificate pe grupe de vârstă, ceea ce înseamnă că asocierea dintre activitate și infarct va fi analizată pentru fiecare grupă de vârstă (strat). Dacă diferitele grupe de vârstă prezintă riscuri relative foarte diferite , vârsta ar trebui tratată ca o variabilă de confuzie. Există instrumente statistice, inclusiv testul Cochran-Mantel-Haensel , care iau în considerare stratificarea seturilor de date.
Controlul încalcării prin măsurarea factorilor de confuzie cunoscuți și includerea lor ca covariate este un exemplu de analiză multivariată (vezi analiza de regresie ). Analiza multivariată oferă mult mai puține informații despre puterea sau polaritatea unei variabile de confuzie decât metodele de stratificare. De exemplu, dacă o analiză multivariată controlează antidepresivele și nu stratifică antidepresivele prin și ISRS , atunci va ignora faptul că aceste două clase de antidepresive au efecte opuse asupra infarctului miocardic, iar una este mult mai puternică decât cealaltă.

Toate aceste metode au dezavantajele lor:

Cea mai bună apărare împotriva confuziei false pozitive este adesea să renunți la eforturile de stratificare și, în schimb, să efectuezi un studiu randomizat un eșantion suficient de mare , luat în ansamblu, astfel încât toate variabilele potențiale de confuzie (cunoscute și necunoscute) să fie distribuite aleatoriu în toate grupuri de studiu și, prin urmare, nu se vor corela cu variabila binară .
Considerații etice: În studiile controlate dublu-orb și randomizate, participanții nu știu că primesc tratament simulat , ceea ce înseamnă că li se poate refuza un tratament eficient [25] . Există posibilitatea ca pacienții să accepte o intervenție chirurgicală invazivă (care comportă riscuri medicale reale) doar cu condiția să primească tratament.

Vezi și

Dovezi anecdotice - dovezi bazate pe experiența personală
Inferență cauzală — o secțiune de statistici legată de stabilirea relațiilor cauzale dintre variabile
Metoda epidemiologică — metodă științifică în epidemiologie
Paradoxul lui Simpson este un fenomen probabilistic și statistic

Note

^ Pearl, J., (2009). Paradoxul lui Simpson , confuzie și colapsibilitate în cauzalitate: modele, raționare și inferență (ed. a doua). New York: Cambridge University Press.
↑ VanderWeele, TJ (2013). „Despre definiția unui factor de confuzie” . Analele Statisticii . 41 (1): 196-220. arXiv : 1304.0564 . DOI : 10.1214/12-aos1058 . PMID 25544784 .
↑ 1 2 Groenlanda, S. (1999). „Confuzie și colapsibilitate în inferența cauzală” . Stiinta Statistica . 14 (1): 29-46. DOI : 10.1214/ss/1009211805 .
↑ Field-Fote, Edelle. Mediatori și moderatori, factori de confuzie și covariabile: explorarea variabilelor care luminează sau ascund „ingredientele active” în neuroreabilitare . Journal of Neurologic Physical Therapy, aprilie 2019, volumul 43, numărul 2, p. 83-84, doi: 10.1097/NPT.0000000000000275 . Preluat la 8 decembrie 2021. Arhivat din original pe 8 decembrie 2021. (nedefinit)
↑ Adrian E. Bauman, PhD, James F. Sallis, PhD, David A. Dzewaltowski, PhD, Neville Owen, PhD. Către o mai bună înțelegere a influențelor asupra activității fizice: rolul determinanților, corelaților, variabilelor cauzale, mediatorilor, moderatorilor și factorilor de confuzie . Jurnalul American de Medicină Preventivă, 2002, Volumul 23, Numărul 2S . (nedefinit)
↑ David P. MacKinnon. O unificare a efectelor de mediator, de confuzie și de coliziune . știința prevenirii. Volumul 22, paginile 1185–1193 (2021) . Preluat la 9 decembrie 2021. Arhivat din original pe 9 decembrie 2021. (nedefinit)
↑ 1 2 Pearl, J., (1993). „Aspecte ale modelelor grafice legate de cauzalitate”, în Proceedings of the 49th Session a International Statistical Science Institute, pp. 391-401.
^ Pearl, J. (2009). Diagrame cauzale și identificarea efectelor cauzale în cauzalitate: modele, raționament și inferență (ed. a 2-a). New York, NY, SUA: Cambridge University Press.
↑ Lee, P.H. (2014). „Ar trebui să ne adaptăm pentru un factor de confuzie dacă criteriile empirice și teoretice dau rezultate contradictorii? Un studiu de simulare”. rep științific . 4 : 6085. Bibcode : 2014NatSR...4E6085L . doi : 10.1038/ srep06085 . PMID 25124526 .
↑ Shpitser, I. (2008). „Metode complete de identificare pentru ierarhia cauzală”. Jurnalul de cercetare în domeniul învățării automate . 9 : 1941-1979.
↑ Morabia, A (2011). „Istoria conceptului epidemiologic modern de confuzie” (PDF) . Jurnal de Epidemiologie și Sănătate Comunitară . 65 (4): 297-300. DOI : 10.1136/jech.2010.112565 . PMID 20696848 . Arhivat (PDF) din original pe 2021-12-05 . Accesat 2021-12-05 . Parametrul depreciat folosit |deadlink=( ajutor )
↑ Fisher, R.A. (1935). Proiectarea experimentelor (pp. 114-145).
↑ Vandenbroucke, JP (2004). „Istoria descoperirii”. Soz Praventivmed . 47 (4): 216-224. DOI : 10.1007/BF01326402 . PMID 12415925 .
↑ Kish, L (1959). „Câteva probleme statistice în proiectarea cercetării”. Am Sociol . 26 (3): 328-338. DOI : 10.2307/2089381 .
↑ Groenlanda, S. (1986). „Identificabilitate, schimbabilitate și confuzie epidemiologică” . Jurnalul Internațional de Epidemiologie . 15 (3): 413-419. DOI : 10.1093/ije/15.3.413 . PMID 3771081 .
↑ Neyman, J., cu cooperarea lui K. Iwaskiewics și St. Kolodziejczyk (1935). Probleme statistice în experimentarea agricolă (cu discuție). Suppl J Roy Statist Soc Ser B 2 107-180.
↑ Rubin, D.B. (1974). „Estimarea efectelor cauzale ale tratamentelor în studii randomizate și nerandomizate” . Revista de psihologie educațională . 66 (5): 688-701. DOI : 10.1037/h0037350 .
^ Pearl, J., (2009). Cauzalitate: Modele, Raționament și Inferență (ed. a II-a). New York, NY, SUA: Cambridge University Press.
↑ Johnston, S.C. (2001). „Identificarea confuziei prin indicație prin evaluarea prospectivă oarbă.” Jurnalul American de Epidemiologie . 154 (3): 276-284. DOI : 10.1093/aje/154.3.276 . PMID 11479193 .
↑ 1 2 Pelham, Brett. Efectuarea cercetărilor în psihologie. - 2006. - ISBN 978-0-534-53294-9 .
↑ Steg, L. Psihologie Socială Aplicată: Înțelegerea și gestionarea problemelor sociale / L. Steg, A. P. Buunk. — 2008.
↑ Tjønneland, Anne (ianuarie 1999). „Consumul de vin și dieta într-un eșantion aleatoriu de 48763 de bărbați și femei daneze” . Jurnalul American de Nutriție Clinică . 69 (1): 49-54. DOI : 10.1093/ajcn/69.1.49 . PMID 9925122 .
↑ Axelson, O. (1989). „Confuzie de la fumat în epidemiologia ocupațională” . Jurnalul Britanic de Medicină Industrială . 46 (8): 505-07. DOI : 10.1136/oem.46.8.505 . PMID2673334 . _
↑ Mayrent, Sherry L. Epidemiology in Medicine . - Lippincott Williams & Wilkins , 1987. - ISBN 978-0-316-35636-7 .
↑ Emanuel, Ezekiel J (20 septembrie 2001). „Etica studiilor controlate cu placebo – o bază de mijloc” . New England Journal of Medicine . 345 (12): 915-9. doi : 10.1056/ nume200109203451211 . PMID 11565527 .

Literatură

Pearl, J. (ianuarie 1998). „De ce nu există un test statistic pentru confuzie, de ce mulți cred că există și de ce au aproape dreptate” (PDF) . Departamentul de informatică UCLA, Raport tehnic R-256 .
Montgomery, DC Proiectarea și analiza experimentelor. - P. 287-302.