Stefano Garzon

Estatística · 23 out 2026

Seleção de confundidores com DAG

Conceito

Em um estudo observacional, a tarefa central da análise é afastar o confundimento da associação entre a exposição e o desfecho. A escolha das covariáveis do modelo decide se isso acontece. Um diagrama acíclico direcionado (DAG) organiza essa escolha a partir de hipóteses causais explícitas, em vez de critérios estatísticos aplicados à amostra.

Um DAG representa variáveis como nós e relações causais hipotéticas como setas. Nenhuma sequência de setas retorna ao nó de origem. Com o diagrama desenhado, o pesquisador identifica um conjunto mínimo suficiente de ajuste. Esse conjunto controla o confundimento sem incluir variáveis desnecessárias, o que pode reduzir custo de medida e melhorar a eficiência estatística.

Caminhos, portas dos fundos e colisores

Um caminho entre exposição e desfecho é qualquer sequência de setas que os conecta, em qualquer direção. Um caminho de porta dos fundos (backdoor path) começa com uma seta que entra na exposição. Esses caminhos transmitem associação não causal e precisam ser bloqueados.

Caminhos que saem da exposição e passam por mediadores fazem parte do efeito causal. Eles não devem ser bloqueados.

Um colisor é um nó onde duas setas se encontram no mesmo caminho, ou seja, um efeito comum de seus vizinhos. As regras de bloqueio são:

Se todos os caminhos de porta dos fundos estão bloqueados, a associação observada pode ser atribuída ao efeito causal hipotetizado, dentro dos limites do diagrama.

Variáveis que não devem entrar no modelo

Vittinghoff et al. listam três tipos de covariável que não devem ser ajustados: medidas alternativas do desfecho, medidas alternativas da exposição e mediadores hipotetizados. Um diagnóstico definido em grande parte pela própria medida do desfecho é um exemplo de proxy do desfecho.

O viés de colisor aparece também fora do ajuste de covariáveis. Restringir a entrada no estudo por características do participante equivale a condicionar em um colisor quando causas comuns ligam essas características à exposição e ao desfecho. O mesmo mecanismo explica parte do viés por censura informativa ou abandono. Em análises de mudança, ajustar pelo valor basal pode criar viés quando a exposição afeta o valor basal medido com erro. Glymour et al. mostraram isso em 5.726 idosos: o ajuste pelo escore cognitivo basal inflou de forma substancial o coeficiente de escolaridade sobre a mudança cognitiva. Em um ensaio randomizado, esse ajuste é legítimo, porque a alocação não tem seta para a medida basal.

Alternativa sem DAG: eliminação retrógrada com limiar liberal

Quando não é possível especificar todos os confundidores, a eliminação retrógrada parte do modelo completo e remove a variável de maior valor de p. Para controle de confundimento, Vittinghoff et al. recomendam limiar de remoção em torno de 0,2, para não descartar confundidores reais em amostras pequenas. Outra regra mantém a covariável se sua remoção muda o coeficiente da exposição em mais de cerca de 10 a 15%. Em simulações, Mickey e Greenland, e depois Maldonado e Greenland, observaram que o critério de mudança na estimativa funcionou melhor com corte de 10%, e que os critérios por teste de significância só tiveram desempenho aceitável com alfa de 0,20 ou mais.

Incluir preditores demais aumenta os erros-padrão. Em modelos logísticos e de sobrevida, também pode introduzir viés quando há muitos parâmetros para o número de eventos.

Erros comuns ao ler um artigo

O que conferir ao ler um estudo observacional

Referências