Capítulo 29 Análise causal


29.1 Análise causal


29.1.1 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?”.293

  • 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.293

  • 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).313


29.2 Inferência causal em estudos observacionais


29.2.1 Como diferenciar associação de causalidade?

  • Associação descreve que duas variáveis variam juntas, mas não garante que uma afete a outra.276

  • Causalidade exige evidências (diretas ou indiretas) de que modificar a variável de exposição altera o desfecho.276


29.2.2 Quais critérios ajudam a sustentar inferência causal?

  • Existência de um mecanismo plausível.276

  • Controle adequado de confundidores (medidos e não medidos).276

  • Consistência com literatura prévia e plausibilidade do tamanho de efeito.276

  • Avaliação de alternativas explicativas (ex.: viés de seleção, mediadores não controlados).276


29.2.3 Como lidar com confundimento residual?

  • Reconhecer que modelos multivariados e escores de propensão não eliminam completamente o confundimento.276

  • Comparar características basais entre grupos para identificar diferenças persistentes.276

  • Considerar análises de sensibilidade, mas com cautela na interpretação.276


29.3 Critérios de Hill para inferência causal


29.3.1 Quais são os nove critérios?

  • Temporalidade: A exposição deve preceder o desfecho. Único critério considerado essencial por Hill.314

  • Força da associação: Associações mais fortes são mais prováveis de refletir causalidade.314

  • Consistência: A associação é observada em diferentes estudos, populações e contextos.314

  • Especificidade: Uma exposição leva a um efeito específico (embora nem sempre aplicável).314

  • Gradiente biológico (dose–resposta): Aumentos na exposição acompanham aumentos no risco.314

  • Plausibilidade biológica: Compatibilidade com o conhecimento científico da época.314

  • Coerência: A associação não deve contradizer a história natural ou biologia da doença.314

  • Evidência experimental: Reduções na exposição devem reduzir o risco observado.314

  • Analogia: Comparação com relações causais já conhecidas.314


29.3.2 Hill propôs um checklist rígido?

  • Nenhum critério, isoladamente, prova ou refuta causalidade. Devem ser usados como guias para reflexão científica, não como requisitos obrigatórios.314


29.4 Críticas contemporâneas aos critérios de Hill


29.4.1 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.315


29.4.2 A força da associação garante causalidade?

  • Não. Associações fortes podem ainda ser não-causais e associações fracas podem ser causais.315


29.4.3 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).315

  • A consistência ajuda apenas a afastar a hipótese de viés ou erro em um estudo isolado:contentReference.315


29.4.4 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.315


29.4.5 O gradiente biológico (dose–resposta) é confiável?

  • Nem sempre. Pode ser distorcido por confundimento. A ausência de gradiente não invalida a causalidade.315


29.4.6 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.315


29.4.7 Evidência experimental é decisiva?

  • Pode ser útil, mas raramente está disponível em epidemiologia. Mesmo quando disponível, pode ter explicações alternativas.315


29.4.8 Analogia é útil?

  • Tem pouco valor. Analogias podem sempre ser inventadas e, na prática, funcionam mais como fonte de hipóteses do que como prova.315


29.5 Visão atual sobre os critérios de Hill


29.5.1 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).316


29.5.2 Quais mudanças na interpretação?

  • Temporalidade e experimentos: seguem centrais, mas analisados com mais sofisticação.316

  • Força da associação: relevante, mas não garante causalidade (pode haver confundimento).316

  • Consistência: pensada como transportabilidade entre populações.316

  • Especificidade: pouco útil hoje; substituída por falsificação (controles negativos).316

  • Dose–resposta: pode ser espúria, cautela é necessária.316

  • Coerência e analogia: utilidade limitada.316


29.6 Efeitos diretos e indiretos


29.6.1 Como distinguir efeitos diretos de indiretos?

  • Um efeito direto ocorre quando uma variável influencia outra sem mediação.18

  • Um efeito indireto acontece quando a influência é mediada por variáveis intermediárias.18


29.7 Diagrama acíclico direcionado (DAG)


29.7.1 O que são diagramas acíclicos direcionados?

  • Diagramas acíclicos direcionados são representações gráficas de relações causais entre variáveis, usando nós (variáveis) e arestas direcionadas (relações causais).317

  • Diagramas acíclicos direcionados ajudam a identificar confundidores, mediadores e colisores, orientando a seleção de variáveis para ajuste em análises estatísticas.317

  • Diagramas acíclicos direcionados não permitem ciclos ou alças, refletindo a natureza unidirecional das relações causais.317


29.7.2 Quais são os padrões causais básicos?

  • Independência: duas variáveis não têm relação causal direta ou indireta.317

  • Cadeia: uma variável causa outra, que por sua vez causa uma terceira (X → M → Y).317

  • Garfo: uma variável causa duas outras (X ← Z → Y), onde Z é um confundidor.317

  • Colisor: duas variáveis causam uma terceira (X → Z ← Y), onde Z é um colisor.317


29.7.3 Qual o papel dos caminhos causais?

  • Ajudam a identificar quais variáveis precisam ser medidas e ajustadas.276

  • Evitam ajustes indevidos (ex.: em colisores), que podem introduzir viés.276


29.8 Linguagem causal em estudos observacionais


29.8.1 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”.276

  • Contextualizar a causalidade em termos práticos, explicando por que identificar a causa é relevante para intervenções.276

  • Declarar claramente na introdução se existe hipótese causal, justificando quando não houver.276

  • Descrever caminhos causais (mediadores, confundidores, colisores) em texto claro ou com diagramas.276

  • Justificar a seleção de covariáveis com base nas relações causais previstas.276

  • Avaliar o controle de confundimento, reconhecendo limitações e possível confundimento residual.276

  • Discutir as inferências causais considerando estimativas, vieses e plausibilidade biológica.276

  • Indicar recomendações específicas para pesquisas futuras ou prática clínica baseadas nas conclusões causais.276


Padrões causais básicos: independência, cadeia, garfo e colisor.

Figura 29.1: Padrões causais básicos: independência, cadeia, garfo e colisor.






Citar como:
Ferreira, Arthur de Sá. Ciência com R: Perguntas e respostas para pesquisadores e analistas de dados. Rio de Janeiro: 1a edição,


Referências

18.
AALEN OO, FRIGESSI A. What can Statistics Contribute to a Causal Understanding? Scandinavian Journal of Statistics. 2007;34(1):155–168. doi:10.1111/j.1467-9469.2006.00549.x
276.
Vickers AJ, Assel M, Dunn RL, et al. Guidelines for Reporting Observational Research in Urology: The Importance of Clear Reference to Causality. European Urology. 2023;84(2):147–151. doi:10.1016/j.eururo.2023.04.027
293.
Gerring J. Mere Description. British Journal of Political Science. 2012;42(4):721–746. doi:10.1017/s0007123412000130
313.
Pearl J. The Causal Foundations of Structural Equation Modeling. Defense Technical Information Center; 2012. doi:10.21236/ada557445
314.
Hill AB. The Environment and Disease: Association or Causation? Proceedings of the Royal Society of Medicine. 1965;58(5):295–300. doi:10.1177/003591576505800503
315.
Rothman KJ, Greenland S. H ill’s Criteria for Causality. Encyclopedia of Biostatistics. fevereiro 2005. doi:10.1002/0470011815.b2a03072
316.
Shimonovich M, Pearce A, Thomson H, Keyes K, Katikireddi SV. Assessing causality in epidemiology: revisiting Bradford Hill to incorporate developments in causal thinking. European Journal of Epidemiology. 2020;36(9):873–887. doi:10.1007/s10654-020-00703-7
317.
Tennant PWG, Murray EJ, Arnold KF, et al. Use of directed acyclic graphs (DAGs) to identify confounders in applied health research: review and recommendations. International Journal of Epidemiology. 2020;50(2):620–632. doi:10.1093/ije/dyaa213
318.
Textor J, Zander B van der, Gilthorpe MS, Liskiewicz M, Ellison GT. Robust causal inference using directed acyclic graphs: the R package dagitty. International Journal of Epidemiology. 2016;45:1887–1894. doi:10.1093/ije/dyw341
319.
Barrett M. ggdag: Analyze and Create Elegant Directed Acyclic Graphs.; 2024. https://CRAN.R-project.org/package=ggdag.
320.
Lüdecke D, Ben-Shachar MS, Patil I, Waggoner P, Makowski D. performance: An R Package for Assessment, Comparison and Testing of Statistical Models. Journal of Open Source Software. 2021;6:3139. doi:10.21105/joss.03139