Capítulo 59 Ensaios quase-experimentais
59.1 Características
59.1.1 Quais são as características de ensaios quase-experimentais?
Ensaios quase-experimentais são delineamentos utilizados para avaliar o efeito de intervenções quando a randomização não é possível, prática ou ética.322
Esses delineamentos buscam estimar efeitos causais por meio da comparação entre períodos, grupos ou tendências temporais, utilizando estratégias analíticas para aproximar um cenário contrafactual.322
Em estudos quase-experimentais, a intervenção geralmente ocorre em condições do mundo real, frequentemente envolvendo políticas públicas, programas populacionais ou mudanças organizacionais.322
A validade causal em estudos quase-experimentais depende fortemente da qualidade do delineamento, da disponibilidade de dados longitudinais e do controle adequado de fatores confundidores.322
Séries temporais interrompidas (interrupted time series, ITS) representam um dos delineamentos quase-experimentais mais robustos para avaliação de intervenções implementadas em um momento claramente definido no tempo.322
59.2 Séries temporais interrompidas
59.2.1 O que são séries temporais interrompidas?
Séries temporais interrompidas (interrupted time series, ITS) utilizam observações repetidas de um desfecho ao longo do tempo para estimar tendências anteriores à intervenção e compará-las ao comportamento observado após sua implementação.322
Nesse delineamento, a tendência observada antes da intervenção é utilizada para construir um cenário contrafactual, representando a evolução esperada do desfecho caso a intervenção não tivesse ocorrido.322
A comparação entre a tendência observada após a intervenção e o cenário contrafactual permite avaliar possíveis mudanças atribuíveis à intervenção.322
Estudos de séries temporais interrompidas são particularmente úteis para avaliação de políticas públicas, legislações, campanhas populacionais e intervenções implementadas em larga escala.322
| Month | Time | Intervention | Time After | Outcome |
|---|---|---|---|---|
| 2018-01-01 | 1 | 0 | 0 | 102.258097413791 |
| 2018-02-01 | 2 | 0 | 0 | 107.007493272342 |
| 2018-03-01 | 3 | 0 | 0 | 115.734833256597 |
| 2018-04-01 | 4 | 0 | 0 | 109.210236795974 |
| 2018-05-01 | 5 | 0 | 0 | 107.017150940644 |
| … | … | … | … | … |
| 2023-08-01 | 68 | 1 | 32 | 89.6838136766465 |
| 2023-09-01 | 69 | 1 | 33 | 91.789069871519 |
| 2023-10-01 | 70 | 1 | 34 | 97.0721355122331 |
| 2023-11-01 | 71 | 1 | 35 | 89.5358753357739 |
| 2023-12-01 | 72 | 1 | 36 | 85.9633244974367 |
Figura 59.1: Exemplo de análise de série temporal interrompida utilizando regressão segmentada. A linha azul representa os valores preditos pelo modelo, enquanto a linha tracejada representa o cenário contrafactual. A linha pontilhada indica o momento da intervenção.
59.2.2 Quando utilizar séries temporais interrompidas?
Séries temporais interrompidas são apropriadas quando a intervenção ocorre em um momento claramente identificável e existem observações repetidas antes e depois da implementação.322
O delineamento é especialmente útil quando ensaios experimentais aleatorizados não são possíveis, como em avaliações retrospectivas de políticas públicas ou intervenções implementadas para toda a população.322
Desfechos com resposta relativamente rápida à intervenção são mais adequados para ITS, pois facilitam a identificação temporal do efeito.322
A utilização de dados rotineiros longitudinais favorece a aplicação do delineamento, especialmente quando há número suficiente de observações antes e depois da intervenção.322
59.2.3 O que é o modelo contrafactual em séries temporais interrompidas?
O cenário contrafactual corresponde à trajetória esperada do desfecho caso a intervenção não tivesse ocorrido.322
Em ITS, o contrafactual é geralmente estimado a partir da tendência observada no período pré-intervenção.322
A inferência sobre o efeito da intervenção é baseada na diferença entre os valores observados após a intervenção e os valores esperados segundo o cenário contrafactual.322
A especificação inadequada do modelo contrafactual pode levar à interpretação incorreta do efeito da intervenção.322
59.2.4 O que representam mudanças de nível e inclinação em séries temporais interrompidas?
Mudança de nível representa uma alteração imediata no desfecho após a intervenção.322
Mudança de inclinação representa uma alteração gradual na tendência temporal após a intervenção.322
Intervenções podem produzir apenas mudança de nível, apenas mudança de inclinação ou ambas simultaneamente.322
A interpretação do efeito depende do modelo de impacto especificado para a intervenção.322
59.2.5 Por que especificar o modelo de impacto a priori?
A especificação do modelo de impacto antes da análise reduz o risco de interpretações espúrias baseadas em flutuações aleatórias dos dados.322
A escolha do modelo de impacto deve considerar o conhecimento prévio sobre o mecanismo da intervenção e o tempo esperado para manifestação do efeito.322
A seleção do modelo baseada apenas na inspeção visual dos resultados aumenta a probabilidade de conclusões artefatuais sobre o efeito da intervenção.322
59.3 Séries temporais interrompidas controladas
59.3.1 O que são séries temporais interrompidas controladas?
Séries temporais interrompidas controladas incluem um grupo ou desfecho controle não exposto à intervenção para reduzir o impacto de confundidores variantes no tempo.322,323
A inclusão de controles fortalece a inferência causal ao permitir distinguir mudanças atribuíveis à intervenção de tendências temporais externas.322
Grupos controle devem apresentar comportamento temporal semelhante ao grupo exposto antes da intervenção.323
Desfechos controle podem ser utilizados quando não existe um grupo populacional comparável disponível.322
59.4 Interação e heterogeneidade de efeito
59.4.1 Como avaliar heterogeneidade de efeito em séries temporais interrompidas?
Termos de interação podem ser incorporados aos modelos ITS para avaliar se o efeito da intervenção varia entre subgrupos populacionais.323
Interações entre variáveis de interesse e os componentes da ITS permitem investigar diferenças no nível basal, na mudança imediata e na alteração da tendência temporal.323
Características individuais, institucionais ou regionais podem modificar o efeito observado da intervenção.323
Modelos estratificados e análises multinível podem ser utilizados para lidar com heterogeneidade entre unidades observacionais.323
59.5 Pressupostos do delineamento
59.5.1 Quais são os principais pressupostos de séries temporais interrompidas?
O delineamento assume que a tendência observada antes da intervenção continuaria inalterada na ausência da intervenção.323
O modelo assume ausência de eventos externos que modifiquem sistematicamente a tendência temporal durante o período pós-intervenção.323
A linearidade das tendências temporais deve ser avaliada antes da modelagem, especialmente em análises de regressão segmentada.323
A presença de mudanças graduais na população ao longo do tempo pode introduzir viés quando não adequadamente controlada.323
59.6 Limitações dos modelos simples
59.6.1 Quais são as limitações de modelos ITS simples?
Modelos ITS básicos frequentemente assumem tendências lineares pré-intervenção.323
Modelos simples podem não controlar adequadamente mudanças nas características da população ao longo do tempo.323
A ausência de grupos ou desfechos controle dificulta a distinção entre efeitos da intervenção e eventos externos concorrentes.323
A utilização de poucos pontos temporais antes da intervenção pode dificultar a avaliação da linearidade da tendência pré-intervenção.323
59.7 Vieses e ameaças à validade
59.7.1 Quais são as principais ameaças à validade em séries temporais interrompidas?
Estudos ITS podem ser afetados por confundidores variantes no tempo, especialmente fatores que modificam simultaneamente o desfecho e o período pós-intervenção.322
Eventos concorrentes à intervenção podem dificultar a atribuição causal do efeito observado.322
Mudanças nos sistemas de registro ou coleta de dados ao longo do tempo podem introduzir viés na estimativa do efeito.322
A ausência de controle adequado para tendências temporais e sazonalidade pode produzir estimativas incorretas da associação entre intervenção e desfecho.322
59.7.2 O que é autocorrelação em séries temporais interrompidas?
Autocorrelação ocorre quando observações consecutivas da série temporal são mais semelhantes entre si do que observações mais distantes no tempo.322
A presença de autocorrelação viola a suposição de independência das observações em modelos de regressão convencionais.322
A autocorrelação residual deve ser investigada por meio de análise gráfica dos resíduos e funções de autocorrelação parcial.322
Métodos como regressão de Prais-Winsten e modelos ARIMA podem ser utilizados para ajustar autocorrelação residual em séries temporais.322
59.7.3 Como controlar sazonalidade em séries temporais interrompidas?
Muitos desfechos apresentam padrões sazonais que podem influenciar a tendência temporal observada.322
A sazonalidade pode ser controlada utilizando estratificação temporal, funções seno-cosseno (Fourier terms) ou splines.322
O controle da sazonalidade reduz o risco de confundimento temporal e melhora a validade das estimativas do efeito da intervenção.322
59.8 Diretrizes para redação
59.8.1 Quais são as diretrizes para redação de ensaios quase-experimentais?
Visite a rede Enhancing the QUAlity and Transparency Of health Research (EQUATOR Network) para encontrar diretrizes específicas.
Guidelines for reporting non-randomised studies:478 https://www.equator-network.org/reporting-guidelines/guidelines-for-reporting-non-randomised-studies/
Ferreira, Arthur de Sá. Ciência com R: Perguntas e respostas para pesquisadores e analistas de dados. Rio de Janeiro: 1a edição,