P>Posto a 1 de Outubro de 2018 por Eveliina Ilola
Confounding significa a distorção da associação entre as variáveis independentes e dependentes porque uma terceira variável está independentemente associada a ambas.
Uma relação causal entre duas variáveis é frequentemente descrita como a forma como a variável independente afecta a variável dependente. A variável independente pode assumir valores diferentes independentemente, e a variável dependente varia de acordo com o valor da variável independente.
Então, digamos que quer descobrir como o consumo de álcool afecta a mortalidade…
Decide comparar as taxas de mortalidade entre dois grupos – um constituído por utilizadores pesados de álcool, outro constituído por teetotallers. Neste caso, o consumo de álcool seria a sua variável independente e a mortalidade seria a sua variável dependente.
Se verificar que as pessoas que consomem mais álcool têm maior probabilidade de morrer, pode parecer intuitivo concluir que o consumo de álcool aumenta o risco de morte. Na realidade, contudo, a situação pode ser mais complexa. É possível que o consumo de álcool não seja o único factor de mortalidade que difere entre os dois grupos.
As pessoas que consomem menos álcool podem ter maior probabilidade de fazer uma dieta mais saudável ou menor probabilidade de fumar, por exemplo. Comer uma dieta saudável ou fumar pode, por sua vez, afectar a mortalidade. Estes outros factores de influência são chamados variáveis confundidoras. Se os ignorarmos e assumirmos que quaisquer diferenças na mortalidade devem ser causadas por uma diferença no consumo de álcool, podemos acabar por obter resultados que não reflectem bem a realidade. Poderá encontrar associações onde na realidade não existem, ou não encontrar associações onde elas existem de facto.
Como minimizar os efeitos de confusão durante a concepção do estudo
Se estiver a investigar os efeitos de uma intervenção, pode atribuir aleatoriamente pessoas a um grupo de intervenção e controlo. O objectivo da aleatorização é distribuir uniformemente os confundidores conhecidos e os desconhecidos entre os dois grupos. Os grupos podem ainda diferir em potenciais confundidores por acaso, mas a aleatorização minimiza estas diferenças.
Noutros tipos de estudos pode abordar a confusão através de restrição ou correspondência. Restrição significa apenas estudar pessoas que são semelhantes em termos de uma variável de confusão – por exemplo, se pensar que a idade é uma variável de confusão, poderá optar por estudar apenas pessoas com mais de 65 anos. (Isto limitaria obviamente a aplicabilidade dos seus resultados a outros grupos). Combinar significa emparelhar pessoas nos dois grupos com base em potenciais confundidores.
Como minimizar os efeitos de confundir durante a análise estatística
Após completar o estudo, pode minimizar os efeitos de confundir usando métodos estatísticos.
Se houver apenas um pequeno número de potenciais confundidores, pode usar estratificação. Na estratificação produzem-se grupos mais pequenos em que as variáveis de confusão não variam e depois examina-se a relação entre a variável independente e dependente em cada grupo. No exemplo que utilizámos anteriormente, por exemplo, poderá querer dividir a amostra em grupos de fumadores e não fumadores e examinar a relação entre o uso de álcool e a mortalidade dentro de cada um.
Se houver um maior número de potenciais confundidores, poderá utilizar a análise multivariada, por exemplo, logística ou regressão linear.
Conclusões
A associação entre duas variáveis pode ser modificada por uma terceira variável, e isto pode levar a resultados distorcidos. Mesmo depois de ter isto em conta na concepção do estudo e na análise de dados, os seus dados ainda podem ser distorcidos por confusão – pode haver, por exemplo, outros factores de confusão que desconhece – mas os primeiros passos para reduzir os seus efeitos estão a estar conscientes do seu potencial de distorcer os seus resultados e planeamento em conformidade.
Fontes:
Pourhoseingholi, M. A., Baghestani, A. R., & Vahedi, M. (2012). Como controlar os efeitos de confusão através da análise estatística. Gastroenterologia e Hepatologia From Bed to Bench, 5(2), 79-83.
Catálogo de colaboração de enviesamento, Aronson JK, Bankhead C, Nunan D. Confounding. No Catálogo de enviesamentos. 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