Posted on 1st October 2018 by Eveliina Ilola

Confondere significa la distorsione dell’associazione tra le variabili indipendenti e dipendenti perché una terza variabile è indipendentemente associata a entrambe.

Una relazione causale tra due variabili è spesso descritta come il modo in cui la variabile indipendente influenza la variabile dipendente. La variabile indipendente può assumere diversi valori in modo indipendente, e la variabile dipendente varia a seconda del valore della variabile indipendente.

Diciamo che volete scoprire come il consumo di alcol influisce sulla mortalità…

Decidete di confrontare i tassi di mortalità tra due gruppi – uno composto da forti consumatori di alcol, uno composto da astemi. In questo caso il consumo di alcol sarebbe la vostra variabile indipendente e la mortalità sarebbe la vostra variabile dipendente.

Se trovate che le persone che consumano più alcol hanno più probabilità di morire, potrebbe sembrare intuitivo concludere che l’uso di alcol aumenta il rischio di morte. In realtà, tuttavia, la situazione potrebbe essere più complessa. È possibile che l’uso di alcol non sia l’unico fattore di mortalità che differisce tra i due gruppi.

Le persone che consumano meno alcol potrebbero essere più propense a seguire una dieta più sana o a fumare meno, per esempio. Mangiare una dieta sana o fumare potrebbe a sua volta influenzare la mortalità. Questi altri fattori di influenza sono chiamati variabili di confondimento. Se li si ignora e si assume che qualsiasi differenza nella mortalità debba essere causata da una differenza nel consumo di alcol, si potrebbe finire con risultati che non riflettono molto bene la realtà. Potresti trovare associazioni dove in realtà non ce ne sono, o non trovare associazioni dove di fatto esistono.

Come minimizzare gli effetti di confondimento durante il disegno dello studio

Se stai studiando gli effetti di un intervento, puoi assegnare casualmente le persone a un gruppo di intervento e a uno di controllo. Lo scopo della randomizzazione è di distribuire equamente i confondenti noti e quelli sconosciuti tra i due gruppi. I gruppi potrebbero ancora differire nei potenziali confondenti per caso, ma la randomizzazione minimizza queste differenze.

In altri tipi di studi si può affrontare il confondimento attraverso la restrizione o la corrispondenza. Restrizione significa studiare solo le persone che sono simili in termini di una variabile di confondimento – per esempio, se si pensa che l’età sia una variabile di confondimento si potrebbe scegliere di studiare solo le persone con più di 65 anni. (Questo ovviamente limiterebbe l’applicabilità dei vostri risultati ad altri gruppi). Abbinare significa accoppiare le persone nei due gruppi in base ai potenziali confondenti.

Come minimizzare gli effetti dei confondenti durante l’analisi statistica

Dopo aver completato lo studio puoi minimizzare gli effetti dei confondenti usando metodi statistici.

Se c’è solo un piccolo numero di potenziali confondenti puoi usare la stratificazione. Nella stratificazione si producono gruppi più piccoli in cui le variabili di confondimento non variano e poi si esamina la relazione tra la variabile indipendente e quella dipendente in ogni gruppo. Nell’esempio che abbiamo usato prima, per esempio, si potrebbe dividere il campione in gruppi di fumatori e non fumatori ed esaminare la relazione tra uso di alcol e mortalità all’interno di ciascuno.

Se c’è un numero maggiore di potenziali confondenti si può usare l’analisi multivariata, per esempio la regressione logistica o lineare.

Conclusioni

L’associazione tra due variabili potrebbe essere modificata da una terza variabile e questo può portare a risultati distorti. Anche dopo averne tenuto conto nel disegno dello studio e nell’analisi dei dati, i tuoi dati potrebbero ancora essere distorti dal confondimento – potrebbero esserci, ad esempio, altri fattori di confondimento di cui non sei a conoscenza – ma i primi passi per ridurre i suoi effetti sono essere consapevoli del suo potenziale di distorcere i tuoi risultati e pianificare di conseguenza.

Fonti:

Pourhoseingholi, M. A., Baghestani, A. R., & Vahedi, M. (2012). Come controllare gli effetti confondenti con l’analisi statistica. Gastroenterology and Hepatology From Bed to Bench, 5(2), 79-83.

Catalogo dei bias collaborazione, Aronson JK, Bankhead C, Nunan D. Confondere. 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