Gepostet am 1. Oktober 2018 von Eveliina Ilola

Confounding bedeutet die Verzerrung des Zusammenhangs zwischen der unabhängigen und der abhängigen Variablen, weil eine dritte Variable unabhängig mit beiden assoziiert ist.

Eine kausale Beziehung zwischen zwei Variablen wird oft als die Art und Weise beschrieben, in der die unabhängige Variable die abhängige Variable beeinflusst. Die unabhängige Variable kann unabhängig verschiedene Werte annehmen, und die abhängige Variable variiert entsprechend dem Wert der unabhängigen Variable.

So, sagen wir, Sie wollen herausfinden, wie Alkoholkonsum die Sterblichkeit beeinflusst…

Sie entscheiden sich, die Sterblichkeitsraten zwischen zwei Gruppen zu vergleichen – eine, die aus starken Alkoholkonsumenten besteht, eine, die aus Abstinenzlern besteht. In diesem Fall wäre der Alkoholkonsum Ihre unabhängige Variable und die Sterblichkeit Ihre abhängige Variable.

Wenn Sie feststellen, dass Menschen, die mehr Alkohol konsumieren, mit höherer Wahrscheinlichkeit sterben, könnte man intuitiv zu dem Schluss kommen, dass Alkoholkonsum das Sterberisiko erhöht. In Wirklichkeit könnte die Situation jedoch komplexer sein. Es ist möglich, dass der Alkoholkonsum nicht der einzige die Sterblichkeit beeinflussende Faktor ist, der sich zwischen den beiden Gruppen unterscheidet.

Personen, die weniger Alkohol konsumieren, ernähren sich vielleicht gesünder oder rauchen seltener. Eine gesunde Ernährung oder das Rauchen könnten wiederum die Sterblichkeit beeinflussen. Diese anderen Einflussfaktoren werden als Confounding-Variablen bezeichnet. Wenn man sie ignoriert und annimmt, dass alle Unterschiede in der Sterblichkeit durch einen Unterschied im Alkoholkonsum verursacht werden müssen, könnte man zu Ergebnissen kommen, die die Realität nicht so gut widerspiegeln. Sie könnten Assoziationen finden, wo es in Wirklichkeit keine gibt, oder Assoziationen nicht finden, wo sie tatsächlich existieren.

Wie man die Auswirkungen von Confounding während des Studiendesigns minimiert

Wenn man die Auswirkungen einer Intervention untersucht, kann man Personen nach dem Zufallsprinzip einer Interventions- und einer Kontrollgruppe zuordnen. Das Ziel der Randomisierung ist es, die bekannten und die unbekannten Confounder gleichmäßig auf die beiden Gruppen zu verteilen. Die Gruppen können sich immer noch zufällig in den potenziellen Störfaktoren unterscheiden, aber die Randomisierung minimiert diese Unterschiede.

In anderen Arten von Studien kann man Confounding durch Restriktion oder Matching angehen. Restriktion bedeutet, dass nur Personen untersucht werden, die sich in Bezug auf eine Störvariable ähnlich sind – wenn Sie z. B. glauben, dass das Alter eine Störvariable ist, könnten Sie nur Personen untersuchen, die älter als 65 Jahre sind. (Dies würde natürlich die Übertragbarkeit Ihrer Ergebnisse auf andere Gruppen einschränken). Matching bedeutet, dass man die Personen in den beiden Gruppen auf der Grundlage der potenziellen Störfaktoren zusammenbringt.

Wie man die Auswirkungen von Confounding bei der statistischen Analyse minimiert

Nach Abschluss der Studie können Sie die Auswirkungen von Confounding mit statistischen Methoden minimieren.

Wenn es nur eine kleine Anzahl potenzieller Störfaktoren gibt, können Sie eine Stratifizierung verwenden. Bei der Stratifizierung bilden Sie kleinere Gruppen, in denen die Confounding-Variablen nicht variieren, und untersuchen dann die Beziehung zwischen der unabhängigen und der abhängigen Variable in jeder Gruppe. In dem Beispiel, das wir zuvor verwendet haben, könnten Sie die Stichprobe zum Beispiel in Gruppen von Rauchern und Nichtrauchern aufteilen und die Beziehung zwischen Alkoholkonsum und Sterblichkeit innerhalb jeder Gruppe untersuchen.

Wenn es eine größere Anzahl von potenziellen Störfaktoren gibt, können Sie eine multivariate Analyse verwenden, zum Beispiel eine logistische oder lineare Regression.

Schlussfolgerungen

Die Assoziation zwischen zwei Variablen kann durch eine dritte Variable modifiziert werden, und dies kann zu verzerrten Ergebnissen führen. Selbst wenn Sie dies im Studiendesign und in der Datenanalyse berücksichtigen, können Ihre Daten immer noch durch Confounding verzerrt werden – es könnte z.B. andere Confounding-Faktoren geben, von denen Sie nichts wissen – aber die ersten Schritte zur Verringerung der Auswirkungen sind, sich des Potenzials zur Verzerrung Ihrer Ergebnisse bewusst zu sein und entsprechend zu planen.

Quellen:

Pourhoseingholi, M. A., Baghestani, A. R., & Vahedi, M. (2012). Wie man Confounding-Effekte durch statistische Analyse kontrolliert. Gastroenterology and Hepatology From Bed to Bench, 5(2), 79-83.

Catalogue of bias collaboration, Aronson JK, Bankhead C, Nunan D. Confounding. In Catalogue of Biases. 2018. https://catalogofbias.org/biases/confounding/

http://www.ucl.ac.uk/ich/short-courses-events/about-stats-courses/stats-rm/chapter_1_content/Confounding_Factors