Capítulo 28 Análise causal
28.1 Causalidade
28.1.1 O que é análise causal?
Análise causal é usada para explicar a relação entre causa e efeito em um conjunto de dados, respondendo a perguntas do tipo “por quê?”.236
Análise causal implica em contrafactual, no sentido de que a análise causal é baseada na comparação entre o que realmente aconteceu e o que teria acontecido se uma ou mais variáveis tivessem sido diferentes.236
Existe uma lacuna entre provar causalidade (requer experimentos com manipulação de efeitos) e interpretar parâmetros como efeitos causais (baseado em teoria sólida e experimentos prévios).291
28.1.2 Quais os dois grandes tipos de causalidade?
Baseada em experiência: conhecimento empírico, muitas vezes sem compreensão dos mecanismos. Estatística tem papel central na causalidade baseada em experiência.292
Mecanicista: busca entender processos internos e mecanismos. Estatística tem seu papel ainda limitado, mas crescente, especialmente em sistemas complexos.292
28.2 Abordagens filosóficas e estatísticas da causalidade
28.2.1 O que é realidade causal?
- A estatística assume tanto a presença do acaso quanto de causalidade. Entretanto, a natureza de cada um (se essencial ou apenas reflexo de ignorância) é raramente debatida.292
28.2.2 Por que estatísticos historicamente evitaram falar em causalidade?
Pearson e Fisher defenderam que estatística trata apenas de associação, não de causalidade, o que gerou cautela excessiva e paralisou avanços em áreas como economia e ciências sociais.292
Autores como Judea Pearl, Robins e Rubin trouxeram definições mais precisas, especialmente via modelos contrafactuais.292
O uso de ensaios clínicos randomizados consolidou o papel da estatística em inferência causal aplicada.292
28.3 Ilusões de causalidade
28.3.1 O que são ilusões de causalidade?
- Ocorrem quando acreditamos que há uma relação causal entre dois eventos que, na realidade, são independentes. São comuns em superstições, pseudociências e crenças do cotidiano.293
28.3.2 Quais fatores favorecem a ilusão?
Alta frequência do desfecho: quando o resultado ocorre frequentemente por acaso, as pessoas superestimam a eficácia da causa (ex.: melhora espontânea de sintomas atribuída a um tratamento).293
Alta frequência da causa: quanto mais vezes um comportamento ou tratamento é aplicado, mais coincidências com o desfecho ocorrem, aumentando a crença no efeito.293
Coincidências causa–desfecho: damos peso desproporcional a casos em que causa e efeito ocorrem juntos, mesmo que sejam apenas coincidências.293
28.3.3 Como reduzir ilusões de causalidade?
Ensinar princípios de controle científico, observando casos em que a causa está ausente (comparação necessária para detectar ausência de relação).293
Diminuir a frequência da causa (ex.: reduzir uso de um “remédio ineficaz” ajuda a perceber que o resultado ocorre independentemente).293
Instruções explícitas para testar hipóteses: orientar a aplicar a causa em apenas 50% das vezes favorece a detecção correta da ausência de efeito.293
Promover educação científica prática, mostrando às pessoas como seus próprios julgamentos podem ser enviesados e oferecendo ferramentas para avaliação crítica.293
28.4 Inferência causal em estudos observacionais
28.4.1 Como diferenciar associação de causalidade?
Associação descreve que duas variáveis variam juntas, mas não garante que uma afete a outra.294
Causalidade exige evidências (diretas ou indiretas) de que modificar a variável de exposição altera o desfecho.294
28.4.2 Quais critérios ajudam a sustentar inferência causal?
Existência de um mecanismo plausível.294
Controle adequado de confundidores (medidos e não medidos).294
Consistência com literatura prévia e plausibilidade do tamanho do efeito.294
Avaliação de alternativas explicativas (ex.: viés de seleção, mediadores não controlados).294
28.4.3 Qual o papel dos caminhos causais (DAGs)?
Ajudam a identificar quais variáveis precisam ser medidas e ajustadas.294
Evitam ajustes indevidos (ex.: em colisores), que podem introduzir viés.294
28.4.4 Como lidar com confundimento residual?
Reconhecer que modelos multivariados e escores de propensão não eliminam completamente o confundimento.294
Comparar características basais entre grupos para identificar diferenças persistentes.294
Considerar análises de sensibilidade, mas com cautela na interpretação.294
28.5 Critérios de Hill para inferência causal
28.5.1 Quais são os nove critérios?
Temporalidade: A exposição deve preceder o desfecho. Único critério considerado essencial por Hill.295
Força da associação: Associações mais fortes são mais prováveis de refletir causalidade.295
Consistência: A associação é observada em diferentes estudos, populações e contextos.295
Especificidade: Uma exposição leva a um efeito específico (embora nem sempre aplicável).295
Gradiente biológico (dose–resposta): Aumentos na exposição acompanham aumentos no risco.295
Plausibilidade biológica: Compatibilidade com o conhecimento científico da época.295
Coerência: A associação não deve contradizer a história natural ou biologia da doença.295
Evidência experimental: Reduções na exposição devem reduzir o risco observado.295
Analogia: Comparação com relações causais já conhecidas.295
28.5.2 Hill propôs um checklist rígido?
- Nenhum critério, isoladamente, prova ou refuta causalidade. Devem ser usados como guias para reflexão científica, não como requisitos obrigatórios.295
28.6 Críticas contemporâneas aos critérios de Hill
28.6.1 Qual critério é indispensável?
- A temporalidade: a exposição deve preceder o desfecho. Mesmo assim, observar uma ordem temporal inversa apenas invalida a hipótese em casos específicos, não em todos.296
28.6.2 A força da associação garante causalidade?
- Não. Associações fortes podem ainda ser não-causais e associações fracas podem ser causais.296
28.6.3 A consistência é indispensável?
Não. A ausência de consistência não elimina causalidade, pois alguns efeitos só se manifestam em condições específicas (ex.: transfusão só causa HIV se o vírus estiver presente).296
A consistência ajuda apenas a afastar a hipótese de viés ou erro em um estudo isolado:contentReference.296
28.6.4 O critério da especificidade é válido?
- Não. É considerado um critério inválido e enganoso. Uma causa pode ter múltiplos efeitos (tabagismo → vários desfechos) e um efeito pode ter múltiplas causas.296
28.6.5 O gradiente biológico (dose–resposta) é confiável?
- Nem sempre. Pode ser distorcido por confundimento. A ausência de gradiente não invalida a causalidade.296
28.6.6 A plausibilidade e a coerência são objetivas?
- Não. Ambas são fortemente dependentes do conhecimento científico da época. O que parecia implausível no passado depois se confirmou como verdadeiro.296
28.6.7 Evidência experimental é decisiva?
- Pode ser útil, mas raramente está disponível em epidemiologia. Mesmo quando disponível, pode ter explicações alternativas.296
28.6.8 Analogia é útil?
- Tem pouco valor. Analogias podem sempre ser inventadas e, na prática, funcionam mais como fonte de hipóteses do que como prova.296
28.7 Visão atual sobre os critérios de Hill
28.7.1 Como os critérios de Hill foram revisitados?
- Estudos recentes propõem integrá-los a três abordagens modernas: DAG (destacam estrutura causal e confundimento), modelos de causa suficiente (enfatizam multifatorialidade) e GRADE (orienta sobre a certeza da evidência em corpos de estudos).297
28.7.2 Quais mudanças na interpretação?
Temporalidade e experimentos: seguem centrais, mas analisados com mais sofisticação.297
Força da associação: relevante, mas não garante causalidade (pode haver confundimento).297
Consistência: pensada como transportabilidade entre populações.297
Especificidade: pouco útil hoje; substituída por falsificação (controles negativos).297
Dose–resposta: pode ser espúria, cautela é necessária.297
Coerência e analogia: utilidade limitada.297
28.8 Linguagem causal em estudos observacionais
28.8.1 Quais são as principais recomendações para relatar causalidade?
Usar termos causais de forma explícita e criteriosa (“causa”, “efeito”, “reduzir”, “aumentar”), evitando expressões ambíguas como “fator de risco”.294
Contextualizar a causalidade em termos práticos, explicando por que identificar a causa é relevante para intervenções.294
Declarar claramente na introdução se existe hipótese causal, justificando quando não houver.294
Descrever caminhos causais (mediadores, confundidores, colisores) em texto claro ou com diagramas.294
Justificar a seleção de covariáveis com base nas relações causais previstas.294
Avaliar o controle de confundimento, reconhecendo limitações e possível confundimento residual.294
Discutir as inferências causais considerando estimativas, vieses e plausibilidade biológica.294
Indicar recomendações específicas para pesquisas futuras ou prática clínica baseadas nas conclusões causais.294
28.10 O papel do tempo e a causalidade dinâmica
28.10.1 O que é causalidade de Granger?
É um conceito estatístico que analisa como processos passados influenciam o futuro, indo além da simples associação.292
Permite identificar relações direcionais entre processos ao longo do tempo (ex.: cérebro controlando contrações musculares).292
A estatística, nesse contexto, busca “olhar dentro da caixa”, aproximando-se de uma visão mecanicista.292
28.10.2 Por que o tempo é essencial na análise causal?
Processos causais não ocorrem de forma estática: efeitos diretos e indiretos se acumulam em cadeias temporais.292
Modelos tradicionais (ex.: regressões estáticas ou DAGs sem tempo) podem falhar em capturar a dinâmica.292
A integração de séries temporais e processos estocásticos é fundamental para compreender mecanismos.292
28.11 Diagrama acíclico direcionado (DAG)
28.11.1 O que são DAGs?
DAGs são representações gráficas de relações causais entre variáveis, usando nós (variáveis) e arestas direcionadas (relações causais).REF?
DAGs ajudam a identificar confundidores, mediadores e colisores, orientando a seleção de variáveis para ajuste em análises estatísticas.REF?
DAGs são acíclicos, ou seja, não permitem ciclos ou loops, refletindo a natureza unidirecional das relações causais.REF?
28.11.2 Quais são os padrões causais básicos?
Independência: duas variáveis não têm relação causal direta ou indireta.REF?
Cadeia: uma variável causa outra, que por sua vez causa uma terceira (X → M → Y).REF?
Garfo: uma variável causa duas outras (X ← Z → Y), onde Z é um confundidor.REF?
Colisor: duas variáveis causam uma terceira (X → Z ← Y), onde Z é um colisor.REF?
Figura 28.1: Padrões causais básicos: independência, cadeia, garfo e colisor.
28.11.3 Quais são as regras básicas para análise causal?
Variáveis causalmente independentes tendem a não ser correlacionadas, exceto na presença de confundimento ou viés de seleção.REF?
Influência causal pode criar correlação estatística, mas correlação não é condição necessária nem suficiente para causalidade.REF?
Confundimento cria correlação espúria entre exposição e desfecho, mesmo na ausência de efeito causal direto.REF?
Aleatorização protege a variável de exposição contra influência causal de fatores antecedentes, reduzindo confundimento pré-exposição.REF?
28.11.4 Quais são as regras básicas para ajuste?
Controlar por um confundidor bloqueia caminhos causais espúrios e reduz viés na estimativa do efeito causal.REF?
Controlar por um mediador bloqueia parte ou todo o efeito causal total, sendo inadequado quando o objetivo é estimar o efeito total da exposição.REF?
Controlar por um colisor cria correlação espúria entre as variáveis que o causam, introduzindo viés mesmo quando não havia associação prévia.REF?
Controlar por uma variável descendente de um colisor pode reabrir parcialmente caminhos espúrios, produzindo viés de seleção.REF?
O pacote dagitty298 fornece a função dagitty para criar um objeto grafo a partir de uma descrição textual.
O pacote performance267 fornece a função check_dag para criar, verificar e visualizar os modelos em grafos.
Ferreira, Arthur de Sá. Ciência com R: Perguntas e respostas para pesquisadores e analistas de dados. Rio de Janeiro: 1a edição,