Академический Документы
Профессиональный Документы
Культура Документы
Resumo
Apesar do crescente reconhecimento de seu potencial, os diagramas cau- 1 Instituto de Medicina Social, Correspondncia
Universidade do Estado do T. R. Cortes
sais ainda so pouco utilizados na investigao epidemiolgica. Uma das Rio de Janeiro, Rio de Janeiro, Instituto de Medicina Social,
possveis razes que muitos programas de investigao envolvem temas Brasil. Universidade do Estado do
2 Programa de Computao Rio de Janeiro.
sobre o qual h certo grau de incerteza sobre os mecanismos dos processos Cientfica, Fundao Oswaldo Rua So Francisco Xavier 524,
que geram os dados. Neste trabalho, a relao entre estresse ocupacional e Cruz, Rio de Janeiro, Brasil. Bloco D, 7 o andar, sala 7012,
Rio de Janeiro, RJ
obesidade utilizada como um exemplo de aplicao de diagramas cau-
20559-900, Brasil.
sais em questes relacionadas ao confundimento. So apresentadas eta- taisacortes@gmail.com
pas da seleo de variveis para ajuste estatstico e da derivao das im-
plicaes estatsticas de um diagrama causal. A principal vantagem dos
diagramas causais tornar explcitas as hipteses adjacentes ao modelo
considerado, permitindo que suas implicaes possam ser analisadas cri-
ticamente, facilitando, dessa forma, a identificao de possveis fontes de
vis e incerteza nos resultados de um estudo epidemiolgico.
Em vez disso, sempre que uma causa direta influenciar o desfecho dos demais indivduos
representada em um modelo, um nmero incon- na populao 18.
tvel de causas intermedirias omitida 17. E Outra situao que impe dificuldades a
medida que essas abstraes so feitas, precisa- presena de ciclos causais entre variveis. Uma
se decidir em que fase as propriedades teis pa- das noes implcitas na condio casual de
ra a causalidade so perdidas 10. Desse modo, a Markov que o comportamento dinmico do
condio casual de Markov serve como um guia sistema pode ser decomposto em uma cadeia de
para avaliar quando o conjunto de pais de uma causaes sucessivas entre as variveis no tempo.
varivel considerado completo porque inclui Muitos fenmenos de interesse na epidemiologia
todas as suas causas diretas relevantes; consistem em mltiplos mecanismos interagin-
(iii) um conjunto de variveis considerado cau- do entre si, em diferentes nveis e ao longo do
salmente completo se todas as causas comuns tempo. Considerando que a especificao desses
(mensuradas ou no) entre duas ou mais vari- modelos substancialmente mais exigente, em
veis (no grfico) esto representadas no DAG. alguns casos, poder no ser possvel represen-
Ou seja, se pode-se assumir que as variveis tar a dinmica dessas relaes de causa e efei-
(exgenas) omitidas no grfico so mutuamente to por meio dos DAG. Outras tcnicas baseadas
independentes, ento possvel assegurar que em simulao computacional e modelagem de
as demais relaes causais no codificadas no sistemas oferecem alternativas para o estudo e
DAG no influenciam a distribuio de proba- representao desses fenmenos 19.
bilidades para as variveis no DAG. Desse modo,
o modelo causal (o DAG e o conjunto de distri-
buio de probabilidades) pode ser considera- Resultados: um exemplo de aplicao de
do completo no sentido de ser capaz de explicar diagramas causais em epidemiologia
todas as associaes entre variveis causalmente
independentes (no conectadas por uma seta) A seguir so apresentados DAG hipotticos para
por meio de suas causas comuns. Ou seja, que exemplificar as etapas da derivao das implica-
a estrutura grfica representa todos os determi- es estatsticas de um diagrama causal e da sele-
nantes causais das associaes estatsticas entre o de variveis para controle de confundimento.
as variveis no grfico. Por outro lado, se duas va- Como simplificao, neste exemplo, o cons-
riveis (X e Y) no esto conectadas por uma seta, tructo estresse no trabalho ser considerado co-
espera-se que essas variveis sejam probabilis- mo uma exposio dicotmica e representado
ticamente independentes, dadas as suas causas graficamente por um nico vrtice. No entanto,
comuns. Se X e Y esto associadas na populao, em alguns casos, as variveis mensuradas no
postula-se que h uma relao causal direta (no estudo no correspondero s variveis hipot-
representada) entre essas variveis, ou h uma ticas em uma cadeia causal de interesse. Opera-
causa comum oculta. Vale dizer, que a estrutura cionalmente, pode-se escolher indicadores para
causal considerada incompleta; representar uma varivel de interesse que no
(iv) a condio casual de Markov definida no seja empiricamente observvel ou que no tenha
somente em relao a um conjunto de variveis sido mensurada. Nesses casos, deve-se incluir no
(causalmente completo), mas tambm distri- grfico a varivel latente e seus substitutos.
buio populacional. As relaes probabilsticas Alm disso, assume-se aqui a ausncia de
ditadas pela condio casual de Markov podem erros de mensurao da exposio, desfecho e
ou no ser satisfeitas na distribuio amostral, es- demais covariveis. Entretanto, essa hiptese
pecialmente na presena de vis de seleo. Outra pouco plausvel em estudos epidemiolgicos.
situao que impe restries condio casual Desse modo, diagramas causais realistas devem
de Markov a presena de indivduos com dife- incluir vrtices adicionais para cada varivel
rentes estruturas causais para as variveis do mo- mensurada com erro 4. Em muitos casos tambm
delo. Nesses casos, a distribuio de probabilida- ser necessrio incluir um vrtice no grfico para
de P ser uma mistura de distintas distribuies representar o processo de seleco dos indivduos
resultantes de diferentes estruturas causais 11. (incluindo os procedimentos de seleo no estu-
Por exemplo, em geral, a condio casual de do, perdas de seguimento, no resposta etc.) e in-
Markov no estar satisfeita quando h interfe- dicar as variveis que explcita ou implicitamente
rncia (ou contgio) entre unidades, isso , quan- afetam a seleo 3,20.
do os valores de uma varivel para uma unidade Em muitos casos ser indicado construir mais
influenciam (os valores das variveis de) outras de um grfico acclico direcionado para revelar as
unidades na populao. Como ocorre, por exem- principais incertezas sobre as relaes entre as
plo, quando o desfecho uma doena infecciosa, variveis, incluindo a presena ou ausncia de
e o status da exposio para um indivduo pode setas e a direo das relaes 21.
Na Figura 2a, assume-se, por exemplo, que ligadas por muitos caminhos em um grfico. X e
o efeito do sexo na exposio ao estresse no tra- Y so d-conectadas se houver qualquer caminho
balho mediado por fatores socioeconmicos aberto entre essas variveis. Ento, X e Y so d-
e ocupacionais, como escolaridade, renda e ti- separadas se todos os caminhos que as conectam
po de ocupao. Essas noes esto codificadas esto bloqueados. Um caminho dito bloqueado
no grfico por meio de diferentes caminhos (por por um conjunto de vrtices Z:
exemplo: o caminho entre sexo escolaridade 1) se o caminho contm uma conexo em cadeia
renda estresse no trabalho). (X b Y) ou uma conexo divergente (X b
Na Figura 2b, foi includa uma seta entre cor Y), no qual o vrtice central (b) est contido
da pele/discriminao racial e o estresse no tra- em Z, ou
balho para representar a hiptese causal de que 2) se o caminho contm uma conexo conver-
a cor/raa tem um efeito sobre a exposio ao gente (X c Y) no qual nem o vrtice central
estresse ocupacional. Essa relao putativa pode (c) e nenhum de seus descendentes esto em Z.
ser derivada do aumento dos nveis de estresse, Considere as relaes entre trs variveis, X,
por exemplo, por meio de processos envolven- Y e Z, representadas a seguir. Aplicando o critrio
do discriminao racial no ambiente de traba- de d-separao pode-se concluir se a varivel X
lho. Note-se aqui que alguns autores apontam d-separada de Y, dado Z.
limitaes acerca da varivel cor da pele como X Z Y
marcadora de experincias de discriminao 22. X Z Y
Logo, a escolha inadequada de variveis ou indi- X Z Y
cadores para a representao de constructos (co- Nos dois primeiros casos, X e Y so d-sepa-
mo discriminao racial) tem implicaes para a radas por Z, pois o caminho entre X e Y blo-
validade do modelo considerado. queado quando se condiciona pela varivel
Tambm hipottico que certos traos de intermediria nesse caminho (em 1) ou pela
personalidade podem influenciar escolhas pro- causa comum (em 2). Em outras palavras, uma
fissionais, como tipo de ocupao, e comporta- associao marginal entre duas variveis pode
mentos de sade associados obesidade, como refletir duas estruturas causais distintas ou
a prtica de atividade fsica de lazer e alimenta- h uma relao causal entre essas variveis ou
o. A nova seta ligando escolaridade e estres- essas duas variveis compartilham uma causa
se no trabalho representa a hiptese causal de comum. Todavia, o fluxo de dependncia esta-
que a escolaridade tem um efeito sobre a expo- tstica entre essas variveis bloqueado quando
sio que no mediada pelas demais variveis se condiciona pela varivel intermediria ou pe-
no grfico. la causa comum Z.
Ressalta-se que esses diagramas causais Por outro lado, o caminho representado (em
no so modelos inteiramente adequados para 3) converge em Z, ou seja, Z um vrtice colisor
o tema de pesquisa. As simplificaes adotadas no caminho entre X e Y, e, portanto, esse cami-
visaram facilitar o entendimento da aplicao nho bloqueado. Assim, X e Y so marginalmen-
dos critrios grficos. No entanto, h ferramen- te independentes, j que o nico caminho entre
tas computacionais disponveis 23,24, como o eles bloqueado por um vrtice colisor. Porm,
DAGitty (http://www.dagitty.net), que facilitam quando se condiciona pelo colisor Z (ou por seu
a aplicao desses critrios grficos mesmo em descendente), induz-se uma associao entre as
modelos mais complexos. variveis anteriores das quais ele dependente
(efeito). Portanto, X e Y so d-conectadas por Z.
Implicaes estatsticas de um diagrama Ou seja, uma associao entre duas variveis no
causal: o critrio de d-separao pode ser explicada por um evento no futuro (o
seu efeito), mas quando se condiciona por um
Na seo anterior, foi apresentada a principal efeito comum de duas causas independentes le-
condio (CCM) que permite avaliar como uma va essas causas a se tornarem probabilisticamen-
estrutura causal se relaciona com os dados ob- te associadas, pois se se possui informao sobre
servados. No entanto, uma maneira mais conve- uma das causas, a outra se torna mais ou menos
niente de verificar essa compatibilidade listar provvel, dado que o efeito j ocorreu 10.
as relaes de independncia condicional im- Como demonstrado em Pearl 10, se duas va-
plcitas no DAG, por meio de um critrio grfico riveis X e Y so d-separadas por Z em um DAG
chamado de d-separao 10. G, isso implica que X e Y so condicionalmente
A ideia principal do conceito de d-separao independentes dado Z em toda distribuio de
verificar se o fluxo de dependncia estatsti- probabilidades compatvel com G. Por outro la-
ca est ativo ao longo dos caminhos que ligam do, se X e Y so d-conectadas por Z em um DAG
as variveis 17. Duas variveis X e Y podem estar G, ento X e Y so condicionalmente dependen-
Figura 2
(2a) Grfico acclico direcionado representando hipteses sobre as relaes entre exposio, desfecho e demais covariveis;
(2b) Grfico acclico direcionado representando hipteses alternativas.
tes dado Z em, pelo menos, uma distribuio de do diagrama causal da Figura 2a, por meio dos
probabilidades compatvel com G. critrios de d-separao. Em seguida, essas re-
A aplicao do critrio de d-separao pode laes estatsticas podem ser avaliadas pelo uso
se tornar uma tarefa difcil quando a estrutura de alguma classe de teste de independncia
grfica contm um grande nmero de vrtices condicional 11.
e ligaes (setas). Nesses casos, recomendado Se as implicaes testveis no so validadas
a utilizao de softwares especficos, como o pelos dados, ento o DAG pode no ser uma re-
DAGitty, que permitem verificar as implicaes presentao acurada dos processos causais que
estatsticas do modelo 23. geram os dados. Uma vez que a estrutura cau-
A Figura 3 apresenta as relaes de inde- sal correta no pode ser inferida por meio de
pendncia condicional definidas pela estrutura informaes puramente probabilsticas, o pes-
Figura 3
Implicaes testveis
quisador deve avaliar cuidadosamente as estra- Seleo de variveis para ajuste estatstico:
tgias de modificao do modelo. Ou seja, alm o critrio da porta de trs
das questes relacionadas aos testes de hipte-
ses, em especial a possibilidade de erros do tipo I Pearl 10 sugere a notao Pr(Y | do(X = x)) e Pr(Y |
e tipo II, deve-se considerar que um mesmo con- X = x) para distinguir entre a distribuio de pro-
junto de relaes de independncia condicional babilidade condicional dada uma interveno
consistente com mltiplos grficos. em X e dada a observao passiva de X, respecti-
Como descrito em Greenland 20, para cada vamente. O primeiro reflete como a distribuio
par de vrtices (X e Y) representado no grfico, de Y deve ser modificada, dada a informao de
assume-se um conjunto de hipteses nulas que que X tenha sido manipulado, por alguma inter-
inclui: (i) ausncia de causas em comuns entre veno externa, a assumir o valor x, enquanto a
X e Y no representadas no DAG; (ii) ausncia de segunda reflete como a distribuio de Y deve ser
associao induzida entre X e Y devido ao condi- modificada, dado que se verifica que X = x.
cionamento por um efeito em comum no repre- Em geral, no se espera que uma interveno
sentado no DAG; e (iii) se X e Y no so adjacentes no fator de exposio produza o mesmo efeito
(nem X Y ou X Y), ento no h efeito causal que a observao da exposio. Uma das razes
direto entre essas variveis. para essa distino refere-se presena de ca-
Nenhum desses pressupostos pode ser tes- minhos no causais que ligam a exposio (E) e
tado isoladamente por meio dos dados. Desse o desfecho (D). Em um diagrama, os caminhos
modo, a ausncia de suporte emprico para es- diretos entre E e D representam a associao cau-
sas hipteses representadas em um diagrama sal entre essas variveis, enquanto os caminhos
implica, muitas vezes, a necessidade de re- no diretos entre essas variveis podem repre-
laxamento dos pressupostos causais. Assim, sentar uma fonte de associao espria. Esses ca-
muitos temas de investigao podem exigir minhos no causais so chamados de caminhos
diagramas causais complexos, incluindo um pela porta de trs (i.e., caminhos que comeam
grande nmero de ligaes (setas) e vrtices pa- com uma causa direta de E seta pela porta de
ra representar variveis latentes, erros de men- trs e terminam em D). O fluxo de dependncia
surao e seleo nas anlises 20. Como conse- estatstica entre esses caminhos estar ativo se,
quncia, a avaliao prvia desses modelos (e a e somente se, esses caminhos contm um an-
identificao dos parmetros causais) pode se cestral (causa) comum de E e D 2,10. Ou seja, h
tornar difcil. confundimento quando a exposio e o desfecho
compartilham uma ou mais causas em comum.
Figura 4
Grfico representando a aplicao do critrio da porta de trs no diagrama da Figura 2a. O conjunto para ajuste contm as
variveis idade, sexo e renda.
Um conjunto mnimo suficiente o menor tes para bloquear todos os caminhos pela porta
conjunto de variveis capaz de bloquear todos os de trs que ligam a exposio ao desfecho. Alguns
caminhos pela porta de trs que ligam a exposi- desses caminhos incluem a varivel escolaridade
o ao desfecho 10. Uma forma de determinar se (por exemplo, estresse no trabalho escolari-
existe tal conjunto mnimo e suficiente excluir dade personalidade obesidade), os demais
algumas variveis do conjunto candidato para o caminhos so interceptados pelo vrtice cor da
ajuste e aplicar novamente os passos anteriores. pele/discriminao racial (por exemplo, estresse
No diagrama da Figura 2a, com a aplicao no trabalho cor da pele/discriminao racial
do critrio da porta de trs, so obtidos quatro personalidade obesidade). Assim, a incluso
conjuntos suficientes para controle de confun- dessas duas covariveis no conjunto para ajuste
dimento S1 = idade, sexo, renda, escolaridade, ser suficiente para controle de confundimento.
ocupao e cor da pele/discriminao racial; S2 Da mesma maneira, o ajuste para as variveis
= idade, renda, escolaridade, ocupao e cor da em Sm2 no mais suficiente para controle de
pele/discriminao racial; S3 = idade, sexo, renda, confuso (Figura 6), pois os caminhos que ligam
escolaridade e cor da pele/discriminao racial; o estresse no trabalho obesidade, por meio de
S4 = idade, renda, ocupao e cor da pele/discri- uma causa comum no observada (personalida-
minao racial e dois conjuntos mnimos e su- de), permanecem desbloqueados. Como esses
ficientes, Sm1 = idade, renda e ocupao e Sm2 = caminhos passam pelo vrtice ocupao, ento
idade, sexo, renda e escolaridade. constata-se que necessrio incluir essa covarivel no conjunto
um conjunto contendo todas as causas diretas para ajuste. Portanto, se a estrutura causal repre-
da exposio ser considerado suficiente, mas sentada na Figura 2b est correta, ento os con-
em alguns casos no ser um conjunto mnimo. juntos (mnimos), Sm3 = i idade, renda, ocupao,
Considerando as hipteses alternativas re- escolaridade e cor da pele/discriminao racial e
presentadas no diagrama da Figura 2b, pode-se Sm4 = idade, sexo, renda, escolaridade e ocupao
testar se esses conjuntos mnimos (Sm1 e Sm2) so suficientes para controle de confundimento.
continuam sendo suficientes para controle Nos exemplos anteriores, criou-se a hiptese
de confundimento. de que a relao entre a varivel latente (perso-
Como demonstrado na Figura 5, se a escola- nalidade) e o estresse no trabalho mediada pe-
ridade e a cor da pele/discriminao racial esto lo tipo de ocupao. Todavia, se a personalidade
relacionadas com o estresse no trabalho por meio tem um efeito direto na exposio ao estresse no
de outros caminhos que no incluem a renda, trabalho, alguns dos caminhos pela porta de trs
ento as variveis em Sm1 no so mais suficien- incluiro uma varivel no observada, impossi-
Figura 5
Grfico representando a aplicao do critrio da porta de trs no diagrama da Figura 2b. O conjunto para ajuste contm as
variveis idade, renda e ocupao.
Figura 6
Grfico representando a aplicao do critrio da porta de trs no diagrama da Figura 2b. O conjunto para ajuste contm as
variveis idade, sexo, renda e escolaridade.
bilitando o ajuste estatstico. Contudo, mesmo tfico disponvel impem algumas dificuldades
na presena de tais confundidores no mensu- para a construo e a utilizao desses modelos.
rados, pode-se, s vezes, concluir que o efeito de Algumas dessas dificuldades podem ser mi-
uma exposio identificvel. Um mtodo geral nimizadas mediante estratgias adotadas duran-
para identificar conjuntos suficientes para ajuste te a fase de planejamento do estudo. Nesta fase,
estatstico foi desenvolvido por Shpitser 17. o exerccio de construo de modelos causais
Outra questo importante a necessidade de plausveis bem como a reflexo cuidadosa sobre
determinar se dois conjuntos candidatos para hipteses alternativas permitiro, por exemplo,
ajuste possuem o mesmo potencial de reduo de identificar mais facilmente os dados necessrios
vis. Para o grfico apresentado na Figura 2a, com para responder a uma determinada pergunta
a aplicao do critrio da porta de trs, obtm-se de pesquisa, assim como o desenho de estudo
dois conjuntos mnimos suficientes para o ajuste mais apropriado. A construo desses modelos
estatstico (Sm1 = idade, renda e ocupao e Sm2 pode ser vista como um processo circular, pois,
= idade, sexo, renda e escolaridade). Se a estrutu- medida que algumas hipteses so falsificadas e
ra causal representada no diagrama est correta, novas evidncias so obtidas, essas informaes
ento os dois conjuntos de covariveis impli- podem ser combinadas para construir e atualizar
cam a mesma reduo do vis de confuso 10. os modelos causais.
No entanto, outros aspectos como dimensiona- Alm disso, a utilizao desses diagramas na
lidade, erros de mensurao e variabilidade da comunicao dos resultados permite que mode-
amostra so passveis de influenciar a estimativa los concorrentes possam ser comparados, faci-
de efeito 29. Contudo, a natureza no paramtrica litando a identificao de possveis explicaes
dos diagramas causais implica que alguns desses para resultados inconsistentes encontrados na
fatores no podem ser facilmente considerados literatura. Contudo, como estruturas causais di-
pela teoria grfica bsica. ferentes nem sempre resultam em concluses
Com base nas formalizaes tericas apre- distintas sobre confundimento, a comparao
sentadas em Pearl & Paz 29 e Greenland & Pearl 30, entre diagramas causais pode facilitar a identifi-
abordagens alternativas para seleo de variveis cao de outras possveis fontes de vis e incer-
para ajuste tm sido propostas utilizando a com- teza na interpretao dos resultados do estudo.
binao de diagramas causais e procedimentos Nesse contexto, ressalta-se que a comunicao
estatsticos tradicionais 21. no transparente de qualquer incerteza sobre os
Os diagramas causais podem ainda gerar modelos adotados pode contribuir para subesti-
concluses teis, mesmo em situaes nas quais mao da incerteza e para uma falsa percepo
no possvel identificar um conjunto suficiente de testabilidade do modelo, assim como pode
de variveis para o controle de confundimento. impedir ou limitar a sua considerao pela co-
Por exemplo, quando o controle para fatores de munidade cientfica.
confuso inadequado, resultados qualitativos, Por fim, destaca-se que, independentemente
como a direo do vis, podem ser obtidos, em da abordagem utilizada, a inferncia causal em
certos casos, por intermdio de diagramas cau- estudos observacionais quase sempre ser um
sais valorados 31. Na presena de mltiplos vie- exerccio desafiador, e a identificabilidade de um
ses, outras estratgias quantitativas podem ser parmetro causal sempre depender da validade
adotadas. Greenland 32 apresenta uma reviso do modelo considerado.
sobre diferentes tcnicas para modelagem de
vis na anlise de estudos observacionais.
Consideraes finais
Colaboradores
Referncias
1. Glymour MM, Greenland S. Causal diagrams. In: 14. Gebharter A, Kaiser MI. Causal graphs and biologi-
Rothman KJ, Greenland S, Lash TL, editors. Mod- cal mechanisms. In: Kaiser MI, Scholz O, Plenge D,
ern epidemiology. 3rd Ed. Philadelphia: Lippincott Httemann A, editors. Explanation in the special
Williams & Wilkins; 2008. p. 183-209. sciences: the case of biology and history. New York:
2. Greenland S, Pearl J, Robins JM. Causal diagrams Springer; 2014. p. 55-85.
for epidemiologic research. Epidemiology 1999; 15. Robins JM. Data, design, and background knowl-
10:37-48. edge in etiologic inference. Epidemiology 2001;
3. Hernn MA, Hernandez-Diaz S, Robins JM. A 12:313-20.
structural approach to selection bias. Epidemiol- 16. Reichenbach H. The philosophy of space and time.
ogy 2004; 15:615-25. New York: Dover; 1958.
4. Hernn MA, Cole SR. Invited commentary: causal 17. Shpitser I. Complete identification methods for causal
diagrams and measurement bias. Am J Epidemiol inference [Tese de Doutorado]. Los Angeles: Univer-
2009; 170:959-62. sity of California; 2008.
5. Daniel RM, Kenward MG, Cousens SN, De Stavo- 18. Ogburn EL, VanderWeele TJ. Causal diagrams for in-
la BL. Using causal diagrams to guide analysis in terference. Stat Sci 2014; 29:559-78.
missing data problems. Stat Methods Med Res 19. Auchincloss AH, Roux AVD. A new tool for epidemiol-
2012; 21:243-56. ogy: the usefulness of dynamic-agent models in un-
6. Pearl J. The causal mediation formula a guide derstanding place effects on health. Am J Epidemiol
to the assessment of pathways and mechanisms. 2008; 168:1-8.
Prev Sci 2012; 13:426-36. 20. Greenland S. Overthrowing the tyranny of null hy-
7. Wright S. Correlation and causation. J Agric Res potheses hidden in causal diagrams. In: Dechter R,
1921; 20:557-85. Gerffner H, Halpern JY, editors. Heuristics, prob-
8. Haavelmo T. The statistical implications of a sys- ability and causality: a tribute to Judea Pearl. Lon-
tem of simultaneous equations. Econometrica don: College Publications; 2010. p. 365-82.
1943; 11:1-12. 21. Evans D, Chaix B, Lobbedez T, Verger C, Flahaut
9. Pearl J. Causal diagrams for empirical research. A. Combining directed acyclic graphs and the
Biometrika 1995; 82:669-88. change-in-estimate procedure as a novel ap-
10. Pearl J. Causality: models, reasoning and infer- proach to adjustment-variable selection in epide-
ence. Cambridge: Cambridge University Press; miology. BMC Med Res Methodol 2012; 12:156.
2000. 22. Krieger N, Sidney S, Coakley E. Racial discrimina-
11. Spirtes P, Glymour C, Scheines R. Causation, pre- tion and skin color in the CARDIA study: implica-
diction, and search. New York: Springer Verlag; tions for public health research. Coronary Artery
1993. Risk Development in Young Adults. Am J Public
12. Aalen O, Borgan O, Gjessing HK. Survival and event Health 1998; 88:1308-13.
history analysis: a process point of view. New York: 23. Textor J, Hardt J, Knppel S. DAGitty: a graphical
Springer; 2008. tool for analyzing causal diagrams. Epidemiology
13. Clarke B, Leuridan B, Williamson J. Modelling 2011; 22:745.
mechanisms with causal cycles. Synthese 2014;
191:1651-81.
24. Knuppel S, Stang A. DAG program: identifying 29. Pearl J, Paz A. Confounding equivalence in obser-
minimal sufficient adjustment sets. Epidemiology vational studies (or, when are two measurements
2010; 21:159. equally valuable for effect estimation?). In: Pro-
25. Kleinbaum DG, Kupper LL, Morgenstern H. Epi- ceedings of the 26th Conference on Uncertainty in
demiologic research: principles and quantitative Artificial Intelligence. Corvallis: Association for Un-
methods. New York: Wiley; 1982. certainty in Artificial Intelligence; 2010. p. 433-41.
26. Hernn MA, Hernndez-Daz S, Werler MM, 30. Greenland S, Pearl J. Adjustments and their con-
Mitchell AA. Causal knowledge as a prerequisite sequences collapsibility analysis using graphical
for confounding evaluation: an application to models. Int Stat Rev 2011; 79:401-26.
birth defects epidemiology. Am J Epidemiol 2002; 31. VanderWeele TJ, Hernn MA, Robins JM. Causal
155:176-84. directed acyclic graphs and the direction of un-
27. Shrier I, Platt RW. Reducing bias through directed measured confounding bias. Epidemiology 2008;
acyclic graphs. BMC Med Res Methodol 2008; 8:70. 19:720-8.
28. Greenland S. Quantifying biases in causal models: 32. Greenland S. Multiple bias modelling for analysis
classical confounding vs collider-stratification bi- of observational data. J R Stat Soc Ser A Stat Soc
as.Epidemiology 2003; 14:300-6. 2005; 168:267-306.
Abstract Resumen
Epidemiological research still rarely uses causal dia- A pesar del creciente reconocimiento de su potencial,
grams, despite growing recognition of their explanato- los diagramas causales todava se utilizan poco en la
ry potential. One possible reason is that many research investigacin epidemiolgica. Una de las posibles ra-
programs involve themes in which there is a certain zones es que muchos programas de investigacin estn
degree of uncertainty as to mechanisms in the process- involucrados en temas sobre los cuales existe un cierto
es that generate the data. In this study, the relationship grado de incertidumbre acerca de los mecanismos de
between occupational stress and obesity is used as an los procesos que generan los datos. En este trabajo, la
example of the application of causal diagrams to ques- relacin entre estrs ocupacional y obesidad se utiliza
tions related to confounding. The article presents the como un ejemplo de aplicacin de diagramas causales
selection stages for variables in statistical adjustment en cuestiones relacionadas con la confusin. Se pre-
and the derivation of a causal diagrams statistical sentan etapas de la seleccin de variables para el ajus-
implications. The main advantage of causal diagrams te estadstico y de la derivacin de las implicaciones
is that they explicitly reveal the respective models un- estadsticas de un diagrama causal. La principal ven-
derlying hypotheses, allowing critical analysis of the taja de los diagramas causales es hacer explcitas las
implications and thereby facilitating identification of hiptesis adyacentes al modelo considerado, permi-
sources of bias and uncertainty in the epidemiological tiendo que sus implicaciones puedan ser analizadas
studys results. crticamente, facilitando, de esta forma, la identifica-
cin de posibles fuentes de sesgo e incertidumbre en los
Causality; Epidemiologic Methods; Bias resultados de un estudio epidemiolgico.
(Epidemiology); Statistical Models
Causalidad; Mtodos Epidemiolgicos; Sesgo
(Epidemiologa); Modelos Estadsticos
Recebido em 26/Jun/2015
Verso final reapresentada em 19/Fev/2016
Aprovado em 11/Mar/2016