Capítulo 28 Análise causal

28.1 Análise causal

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?”.²⁷⁷

• 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.²⁷⁷

• 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).³⁰⁸

28.2 Inferência causal em estudos observacionais

28.2.1 Como diferenciar associação de causalidade?

• Associação descreve que duas variáveis variam juntas, mas não garante que uma afete a outra.²⁷¹

• Causalidade exige evidências (diretas ou indiretas) de que modificar a variável de exposição altera o desfecho.²⁷¹

28.2.2 Quais critérios ajudam a sustentar inferência causal?

• Existência de um mecanismo plausível.²⁷¹

• Controle adequado de confundidores (medidos e não medidos).²⁷¹

• Consistência com literatura prévia e plausibilidade do tamanho do efeito.²⁷¹

• Avaliação de alternativas explicativas (ex.: viés de seleção, mediadores não controlados).²⁷¹

28.2.3 Como lidar com confundimento residual?

• Reconhecer que modelos multivariados e escores de propensão não eliminam completamente o confundimento.²⁷¹

• Comparar características basais entre grupos para identificar diferenças persistentes.²⁷¹

• Considerar análises de sensibilidade, mas com cautela na interpretação.²⁷¹

28.3 Critérios de Hill para inferência causal

28.3.1 Quais são os nove critérios?

• Temporalidade: A exposição deve preceder o desfecho. Único critério considerado essencial por Hill.³⁰⁹

• Força da associação: Associações mais fortes são mais prováveis de refletir causalidade.³⁰⁹

• Consistência: A associação é observada em diferentes estudos, populações e contextos.³⁰⁹

• Especificidade: Uma exposição leva a um efeito específico (embora nem sempre aplicável).³⁰⁹

• Gradiente biológico (dose–resposta): Aumentos na exposição acompanham aumentos no risco.³⁰⁹

• Plausibilidade biológica: Compatibilidade com o conhecimento científico da época.³⁰⁹

• Coerência: A associação não deve contradizer a história natural ou biologia da doença.³⁰⁹

• Evidência experimental: Reduções na exposição devem reduzir o risco observado.³⁰⁹

• Analogia: Comparação com relações causais já conhecidas.³⁰⁹

28.3.2 Hill propôs um checklist rígido?

• Nenhum critério, isoladamente, prova ou refuta causalidade. Devem ser usados como guias para reflexão científica, não como requisitos obrigatórios.³⁰⁹

28.4 Críticas contemporâneas aos critérios de Hill

28.4.1 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.³¹⁰

28.4.2 A força da associação garante causalidade?

• Não. Associações fortes podem ainda ser não-causais e associações fracas podem ser causais.³¹⁰

28.4.3 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).³¹⁰

• A consistência ajuda apenas a afastar a hipótese de viés ou erro em um estudo isolado:contentReference.³¹⁰

28.4.4 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.³¹⁰

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

• Nem sempre. Pode ser distorcido por confundimento. A ausência de gradiente não invalida a causalidade.³¹⁰

28.4.6 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.³¹⁰

28.4.7 Evidência experimental é decisiva?

• Pode ser útil, mas raramente está disponível em epidemiologia. Mesmo quando disponível, pode ter explicações alternativas.³¹⁰

28.4.8 Analogia é útil?

• Tem pouco valor. Analogias podem sempre ser inventadas e, na prática, funcionam mais como fonte de hipóteses do que como prova.³¹⁰

28.5 Visão atual sobre os critérios de Hill

28.5.1 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).³¹¹

28.5.2 Quais mudanças na interpretação?

• Temporalidade e experimentos: seguem centrais, mas analisados com mais sofisticação.³¹¹

• Força da associação: relevante, mas não garante causalidade (pode haver confundimento).³¹¹

• Consistência: pensada como transportabilidade entre populações.³¹¹

• Especificidade: pouco útil hoje; substituída por falsificação (controles negativos).³¹¹

• Dose–resposta: pode ser espúria, cautela é necessária.³¹¹

• Coerência e analogia: utilidade limitada.³¹¹

28.6 Efeitos diretos e indiretos

28.6.1 Como distinguir efeitos diretos de indiretos?

• Um efeito direto ocorre quando uma variável influencia outra sem mediação.⁴⁹

• Um efeito indireto acontece quando a influência é mediada por variáveis intermediárias.⁴⁹

28.7 Diagrama acíclico direcionado (DAG)

28.7.1 O que são diagramas acíclicos direcionados?

• DAGs são representações gráficas de relações causais entre variáveis, usando nós (variáveis) e arestas direcionadas (relações causais).³¹²

• DAGs ajudam a identificar confundidores, mediadores e colisores, orientando a seleção de variáveis para ajuste em análises estatísticas.³¹²

• DAGs são acíclicos, ou seja, não permitem ciclos ou loops, refletindo a natureza unidirecional das relações causais.³¹²

28.7.2 Quais são os padrões causais básicos?

• Independência: duas variáveis não têm relação causal direta ou indireta.³¹²

• Cadeia: uma variável causa outra, que por sua vez causa uma terceira (X → M → Y).³¹²

• Garfo: uma variável causa duas outras (X ← Z → Y), onde Z é um confundidor.³¹²

• Colisor: duas variáveis causam uma terceira (X → Z ← Y), onde Z é um colisor.³¹²

28.7.3 Qual o papel dos caminhos causais?

• Ajudam a identificar quais variáveis precisam ser medidas e ajustadas.²⁷¹

• Evitam ajustes indevidos (ex.: em colisores), que podem introduzir viés.²⁷¹

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”.²⁷¹

• Contextualizar a causalidade em termos práticos, explicando por que identificar a causa é relevante para intervenções.²⁷¹

• Declarar claramente na introdução se existe hipótese causal, justificando quando não houver.²⁷¹

• Descrever caminhos causais (mediadores, confundidores, colisores) em texto claro ou com diagramas.²⁷¹

• Justificar a seleção de covariáveis com base nas relações causais previstas.²⁷¹

• Avaliar o controle de confundimento, reconhecendo limitações e possível confundimento residual.²⁷¹

• Discutir as inferências causais considerando estimativas, vieses e plausibilidade biológica.²⁷¹

• Indicar recomendações específicas para pesquisas futuras ou prática clínica baseadas nas conclusões causais.²⁷¹

Figura 28.1: Padrões causais básicos: independência, cadeia, garfo e colisor.

O pacote dagitty³¹³ fornece a função dagitty para criar um objeto grafo a partir de uma descrição textual.

O pacote ggdag³¹⁴ fornece a função ggdag para criar figuras de grafos.

O pacote performance³¹⁵ fornece a função check_dag para criar, verificar e visualizar os modelos em grafos.

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

Referências

49.

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

271.

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

277.

Gerring J. Mere Description. British Journal of Political Science. 2012;42(4):721–746. doi:10.1017/s0007123412000130

308.

Pearl J. The Causal Foundations of Structural Equation Modeling. Defense Technical Information Center; 2012. doi:10.21236/ada557445

309.

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

310.

Rothman KJ, Greenland S. H ill’s Criteria for Causality. Encyclopedia of Biostatistics. fevereiro 2005. doi:10.1002/0470011815.b2a03072

311.

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

312.

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

313.

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

314.

Barrett M. ggdag: Analyze and Create Elegant Directed Acyclic Graphs.; 2024. https://CRAN.R-project.org/package=ggdag.

315.

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