Supongamos que queremos comprobar si $Z$ es una variable de confusión para el efecto de $X$ en $Y$ . ¿Basta con comprobar las estimaciones ajustadas y no ajustadas del coeficiente de $X$ y ver si difieren? Además, si la diferencia entre ambos es muy pequeña (por ejemplo $1/1000$ ) ¿podemos decir que no hay confusión? Parece que en el análisis de supervivencia sería complicado comprobar la asociación de $Z$ contra. $X$ y $Z$ contra. $Y$ .
Respuestas
¿Demasiados anuncios?
guest
Puntos
1851
Allí no es una prueba de confusión desgraciadamente. Si cree que Z es un factor de confusión, ajústelo.
No es suficiente observar los cambios (de tamaño 10% o de otro tipo) porque, incluso cuando Z no es un factor de confusión, cuando se utilizan medidas de efecto no colapsables -como las odds ratios- el parámetro estimado en el análisis ajustado es diferente del estimado en el análisis no ajustado.
En primer lugar, no es terriblemente complicado comprobar la asociación de Z en X o Y, incluso en el análisis de supervivencia. Las puntuaciones de propensión y la probabilidad inversa de los pesos del tratamiento (ambos métodos comunes para ajustar la confusión en un contexto de supervivencia), junto con otros métodos algo más esotéricos, se basan en la estimación de la relación entre la covariable y la exposición o el resultado.
Puedes comparar la puntuación ajustada y la no ajustada para evaluar si hay o no confusión, pero sólo si tienes razones para creer que hay confusión en primer lugar. Una simple comparación de las estimaciones ajustadas y no ajustadas conlleva el riesgo de haber inducido confusión ajustando por una variable que es afectados por tanto la exposición como el resultado. Consulte la bibliografía sobre los gráficos acíclicos dirigidos para la selección de covariables y lea sobre los "colisionadores" para obtener una explicación de este fenómeno.
Pero una vez que se cree que algo es un factor de confusión por cualquier número de razones - experiencia en el tema, el uso de un DAG, establecer que la variable cumple los criterios de un factor de confusión, se puede utilizar lo que estás sugiriendo - que normalmente se llama un enfoque de cambio en la estimación - para comprobar si es o no un "problema", sobre la base de cuánto cambia la estimación. El umbral de lo que es un problema varía, pero en Epidemiología, a menudo es un cambio del 10% en la estimación lo que se utiliza para decir que algo confunde la relación exposición-enfermedad lo suficiente como para que valga la pena ajustarlo.
