Confundir significa la distorsión de la asociación entre las variables independiente y dependiente porque una tercera variable se asocia independientemente con ambas.

Una relación causal entre dos variables suele describirse como la forma en que la variable independiente afecta a la variable dependiente. La variable independiente puede tomar diferentes valores de forma independiente, y la variable dependiente varía en función del valor de la variable independiente.

Por tanto, digamos que quieres averiguar cómo afecta el consumo de alcohol a la mortalidad…

Decides comparar las tasas de mortalidad entre dos grupos: uno formado por grandes consumidores de alcohol y otro formado por abstemios. En este caso, el consumo de alcohol sería su variable independiente y la mortalidad sería su variable dependiente.

Si descubre que las personas que consumen más alcohol tienen más probabilidades de morir, podría parecer intuitivo concluir que el consumo de alcohol aumenta el riesgo de muerte. En realidad, sin embargo, la situación podría ser más compleja. Es posible que el consumo de alcohol no sea el único factor que afecta a la mortalidad y que difiere entre los dos grupos.

Las personas que consumen menos alcohol podrían tener más probabilidades de seguir una dieta más saludable o ser menos propensas a fumar, por ejemplo. Llevar una dieta saludable o fumar podría, a su vez, afectar a la mortalidad. Estos otros factores de influencia se denominan variables de confusión. Si no se tienen en cuenta y se asume que cualquier diferencia en la mortalidad debe estar causada por una diferencia en el consumo de alcohol, se pueden obtener resultados que no reflejen del todo bien la realidad. Podría encontrar asociaciones donde en realidad no las hay, o no encontrar asociaciones donde de hecho existen.

Cómo minimizar los efectos de confusión durante el diseño del estudio

Si está investigando los efectos de una intervención, puede asignar aleatoriamente a las personas a un grupo de intervención y otro de control. El objetivo de la aleatorización es distribuir uniformemente los factores de confusión conocidos y desconocidos entre los dos grupos. Los grupos podrían seguir siendo diferentes en cuanto a los posibles factores de confusión por azar, pero la aleatorización minimiza estas diferencias.

En otros tipos de estudios se puede abordar la confusión mediante la restricción o el emparejamiento. La restricción significa que sólo se estudia a las personas que son similares en términos de una variable de confusión – por ejemplo, si usted cree que la edad es una variable de confusión podría elegir sólo estudiar a las personas mayores de 65 años. (Obviamente, esto limitaría la aplicabilidad de los resultados a otros grupos). El emparejamiento significa emparejar a las personas en los dos grupos en función de los posibles factores de confusión.

Cómo minimizar los efectos de los factores de confusión durante el análisis estadístico

Después de completar el estudio puede minimizar los efectos de los factores de confusión utilizando métodos estadísticos.

Si sólo hay un pequeño número de factores de confusión potenciales puede utilizar la estratificación. En la estratificación se producen grupos más pequeños en los que las variables de confusión no varían y luego se examina la relación entre la variable independiente y la dependiente en cada grupo. En el ejemplo que hemos utilizado antes, por ejemplo, podría dividir la muestra en grupos de fumadores y no fumadores y examinar la relación entre el consumo de alcohol y la mortalidad dentro de cada uno de ellos.

Si hay un número mayor de posibles factores de confusión puede utilizar el análisis multivariante, por ejemplo la regresión logística o lineal.

Conclusiones

La asociación entre dos variables podría verse modificada por una tercera variable, y esto puede llevar a resultados distorsionados. Incluso después de tener esto en cuenta en el diseño del estudio y en el análisis de los datos, sus datos podrían seguir estando distorsionados por la confusión -podría haber, por ejemplo, otros factores de confusión que desconozca-, pero los primeros pasos para reducir sus efectos son ser conscientes de su potencial para distorsionar sus resultados y planificar en consecuencia.

Fuentes:

Pourhoseingholi, M. A., Baghestani, A. R., & Vahedi, M. (2012). Cómo controlar los efectos de confusión mediante el análisis estadístico. Gastroenterology and Hepatology From Bed to Bench, 5(2), 79-83.

Catálogo de sesgos colaboración, Aronson JK, Bankhead C, Nunan D. Confounding. En Catálogo de sesgos. 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