Inferencia causal sobre la base de counterfactuals
Este es un artículo de acceso abierto distribuido bajo los términos de la licencia Creative Commons License (http://creativecommons.org/licenses/by/2.0], que permite el uso irrestricto, la distribución y reproducción en cualquier medio, siempre que la obra original sea debidamente citada.
El posible resultado contrafactual o modelo se ha convertido cada vez más estándar para la inferencia causal en los estudios médicos y epidemiológicos.
Este documento ofrece una visión general sobre el contrafactual y de los planteamientos relacionados. Una variedad de conceptual, así como cuestiones prácticas al estimar los efectos causales están en la lista. Estos incluyen interacciones causales, imperfecto experimentos, el ajuste de la confusión, variables en el tiempo de exposición, los riesgos competitivos y la probabilidad de causalidad. Se argumenta que el modelo de causalidad contrafactual efectos capta los principales aspectos de la causalidad en las ciencias de la salud y se relaciona con muchos procedimientos estadísticos.
Counterfactuals son la base de la inferencia causal en la medicina y la epidemiología. Sin embargo, la estimación de las diferencias contrafactual plantean varias dificultades, principalmente en los estudios observacionales. Estos problemas, sin embargo, reflejan sólo cuando las barreras fundamentales aprender de las observaciones, y esto no invalida el concepto contrafactual.
Casi todas las investigaciones empíricas pregunta es causal. La realización de estudios científicos en la medicina y la epidemiología investigar preguntas como "¿Qué factores causan una cierta enfermedad?" O "¿Cómo funciona un determinado tratamiento afectará a la duración y el curso de la enfermedad?" Es evidente que no todas las asociaciones dirigidas temporalmente, y no Cada temporalmente dirigida asociación implica un componente causal, pero puede deberse a error de medición, antes compartidas u otros factores de sesgo. La única condición sine qua non para un efecto causal en una persona es la primacía de los factores a sus efectos, y 100% de las pruebas de causalidad es imposible. Esta idea se remonta al menos al siglo 18 el filósofo escocés David Hume [[1], 2 cap. 1]. La cuestión es cómo muchas pruebas de un efecto causal se puede recoger en la práctica y qué modelos estadísticos pueden contribuir a esas pruebas.
La historia del pensamiento causal, en particular en la filosofía, es una historia de controversias y malentendidos. Para una descripción detallada de estas controversias, véase [[1], 2, cap. 1; [3, 4]]. En este artículo, me argumentan que la de la modelo de efectos causales capta la mayoría de los aspectos de la causalidad en las ciencias de la salud. Una variedad de conceptual, así como cuestiones prácticas en la estimación de efectos causales contrafactual se discuten.
El artículo está organizado de la siguiente manera: En las dos primeras secciones de la parte de debate, la de la modelo de causalidad de los efectos está definido, y algunos aspectos generales sobre la inferencia estadística de la información. Los capítulos siguientes proporcionan una visión general sobre las interacciones causales y la inferencia causal en los estudios aleatorios y nonrandomised. En las dos últimas secciones, y varios temas especiales relacionados con los enfoques para evaluar los efectos de causalidad están en la lista.
Estadística no puede contribuir a la inferencia causal a menos que el factor de interés y el resultado X Y son cantidades medibles [3]. La dirección temporal se pueden evaluar con conocimiento sustancial (por ejemplo, el sexo puede hacer dieta, pero no a la inversa), pero podría ser importante el conocimiento incierto o incluso erróneo. Alternativamente, puede ser establecido a través del diseño del estudio. En este caso, el orden causal está perfectamente garantizada por una condición en un experimento que ha sido manipulado antes de un resultado se mide [5]. Si un experimento no es factible, es preferible para inferir la dirección temporal de un posible diseño (por ejemplo, un evento traumático informó en la línea de base de evaluación como un posible factor de riesgo para la depresión incidente durante el período de seguimiento), en lugar de la recogida de información sobre la Dirección temporal retrospectiva en un estudio transversal [[1], 6 cap. 1]. Generalmente, en los estudios no experimentales, el error de medición no sólo puede producirse en ambos XeY, sino también en la evaluación de su dirección temporal.
Para definir un efecto causal en un individuo i, vamos a suponer que queremos evaluar el efecto de un índice de tratamiento o el nivel de exposición t (por ejemplo, la ingesta de un determinado fármaco), en comparación con otro tratamiento o el nivel de exposición c (por ejemplo, la ausencia de tratamiento) Y en un resultado i. El resultado puede ser binaria o cuantitativa (por ejemplo, el importe de la segregación de una hormona o un psicológica Resultado). De acuerdo con Groenlandia y Brumback [7], básicamente en asumir la inferencia de que contrafactual
(A) en el punto fijo de tiempo de la cesión, el individuo i se podrían haber asignado a los dos niveles de tratamiento (X = i t i o X = c) y
(B) Y el resultado i existe en virtud de los X i = t (señalados con Y i, t) y X i = c (señalados con Y i, c).
Como ya se ha mencionado, se puede evaluar un determinado individuo i en un plazo fijo sólo en virtud de una condición (X i = c i o X = t). Por lo general, no existen criterios objetivos para evaluar con una única observación de si un resultado, como el éxito del tratamiento (Y i, t = 1), ha sido causado por el trato recibido o por otros factores. Una excepción es balísticos pruebas derivadas de una bala de un arma de fuego y encontrado muerto en una persona [20] (pero en este caso, la evidencia es aún incierto debido a que la persona podría haber muerto de repente coronaria fracaso en el momento en que la bala fue disparada, pero esto Posibilidad puede ser comprobado por la autopsia). A falta de tales criterios, se pueden estimar sólo media causal efectos. Esto requiere varias observaciones, con la participación de diferentes individuos o diferentes puntos de tiempo o de ambos. Muchas observaciones que se hacen necesarios para conclusiones estadísticamente estable.
Una cuestión importante es la evaluación de las diferencias en los efectos de causalidad entre las personas. Evidentemente, una condición necesaria para un factor Z es un modificador del efecto de X sobre Y es que Z precede a los resultados de Y. Si tal potencial efecto modificador-Z se asocia con X, el parámetro que describe la modificación del efecto de X sobre Y no se identifica sin más supuestos. Efecto de modificadores suelen ser evaluado en términos de interacción con modelos de regresión.
1. El contrafactual concepto es la base del pensamiento causal en epidemiología y campos afines. Proporciona un marco para muchos procedimientos estadísticos para estimar los efectos causales y demuestra las limitaciones de los datos de observación [10].
2. Contrafactual causalidad también ha estimulado la invención de nuevos métodos estadísticos como el g-estimación.
3. La concepción intuitiva hace que el enfoque contrafactual también muy útil para la enseñanza [65]. Esto puede ser por ejemplo que ilustra la diferencia entre los diseños de los estudios. Por ejemplo, en beneficio de más de longitudinal estudios transversales es fácilmente demostrada cuando el objetivo es el estudio de cómo actuar conjuntamente varias variables en el tiempo cuando se provoca un resultado.
4. Contrafactual consideraciones deberían reemplazar vagas concepciones de la "real" frente a "falsas" asociación, que de vez en cuando todavía se pueden leer. En este contexto, el Yule-Simpson paradoja es mencionado con frecuencia. Esta paradoja indica que una asociación puede tener un diferente signo (positivo o negativo asociación, resp.) En cada una de las dos subpoblaciones diferentes de lo que lo ha hecho en el conjunto de la población. Sin embargo, si la dirección temporal de las variables se añade a esta paradoja, y no hay parcialidad y error aleatorio, la paradoja se resuelve: Es entonces determinar que la asociación es real y que es falsa en un sentido causal.
5. Causal efectos se han tratado como un hijastro de un largo tiempo, tal vez debido a que muchos investigadores comparten la opinión de que la causalidad se encuentran fuera de lo que podría ser evaluado científicamente o formalizado matemáticamente. Perla [30, 37] fue el primero en formular la diferencia entre los cambios en las variables inducidas por la intervención exterior en un sistema y los cambios debido a la variación en el resto de variables del sistema.
Los autores declaran que no tienen intereses en conflicto.
La historia previa a la publicación de este documento puede accederse en:
Quiero dar las gracias a Groenlandia para Sander muy útiles comentarios sobre una versión anterior del manuscrito y Evelyn Alvarenga para el idioma de edición.