Identificación Causal

La identificación causal es el paso en la inferencia causal que se pregunta si una cantidad causal de interés puede, incluso en principio, recuperarse de los datos disponibles bajo supuestos establecidos. Separa la cuestión conceptual de qué se está estimando de la cuestión estadística de cuán precisamente se puede estimar, y es lógicamente anterior a cualquier análisis.

Definition

La identificación causal es la demostración de que, bajo supuestos explícitos, un efecto causal definido es igual a una cantidad que puede calcularse a partir de la distribución de los datos observados.

Scope

Este tema abarca las condiciones de identificación que vinculan un estimando causal a una función de los datos observados, la intercambiabilidad (ausencia de factores de confusión no medidos), la positividad y la consistencia, junto con estrategias como el ajuste por covariables, las variables instrumentales y la emulación de ensayos objetivo (target-trial emulation). Es una referencia metodológica, no una guía clínica.

Core questions

• ¿Puede recuperarse el efecto causal de interés de los datos?
• ¿Qué supuestos se requieren para la identificación y son plausibles?
• ¿Qué estrategia, ajuste, instrumentos o emulación de ensayo, identifica el efecto objetivo?

Key concepts

• Estimando e identificación
• Intercambiabilidad (ausencia de factores de confusión no medidos)
• Positividad
• Consistencia
• Variables instrumentales
• Emulación de ensayos objetivo (target trial emulation)

Mechanisms

La identificación requiere vincular un contraste contrafactual a cantidades observadas mediante supuestos. Greenland y Robins (greenland-robins-1986) formalizaron la intercambiabilidad, el requisito de que los grupos expuestos y no expuestos habrían tenido resultados comparables si hubieran compartido la misma exposición, como la condición central que, junto con la positividad (todo subgrupo relevante puede experimentar cada exposición) y la consistencia (el resultado observado bajo la exposición real es igual al contrafactual correspondiente), permite eliminar la confusión mediante el ajuste. Cuando la confusión no medida hace que la identificación basada en el ajuste sea inverosímil, una variable instrumental, un factor que afecta el resultado solo a través de la exposición, a veces puede identificar un efecto bajo sus propios supuestos fuertes (hernan-robins-2006-iv). Enmarcar un análisis observacional como la emulación explícita de un ensayo objetivo aleatorizado hipotético ayuda a hacer transparentes los supuestos de identificación y evita sesgos de diseño comunes (hernan-robins-2016-trial). Los criterios gráficos proporcionan una forma sistemática de verificar la identificabilidad a partir de la estructura causal asumida (pearl-1995).

Clinical relevance

Que un efecto causal sea identificable determina si la evidencia observacional sobre un tratamiento o exposición puede interpretarse causalmente, lo cual es fundamental para evaluar dicha evidencia. Este tema describe la lógica de la generación de evidencia y no es una base para decisiones diagnósticas o de tratamiento individuales.

Epidemiology

El pensamiento de identificación está ahora arraigado en la epidemiología observacional y la investigación de efectividad comparativa, donde los investigadores establecen sus supuestos antes de estimar los efectos. El marco del ensayo objetivo (target-trial framework) se ha convertido en un dispositivo ampliamente utilizado para organizar la identificación en estudios que emplean datos de salud recopilados de forma rutinaria (hernan-robins-2016-trial).

History

El artículo de Greenland y Robins de 1986 proporcionó a la epidemiología una descripción rigurosa de la identificabilidad a través de la intercambiabilidad (greenland-robins-1986), y los métodos gráficos posteriormente suministraron criterios generales para verificarla (pearl-1995). Las literaturas sobre variables instrumentales y ensayos objetivo (target-trial) extendieron luego las estrategias de identificación a entornos donde el ajuste simple falla (hernan-robins-2006-iv, hernan-robins-2016-trial).

Debates

¿Cuán creíbles son los supuestos de las variables instrumentales?

Las variables instrumentales pueden identificar efectos bajo confusión no medida, pero sus supuestos clave, que el instrumento afecta el resultado solo a través de la exposición y no comparte ninguna causa común con ella, son en gran medida infalsables y a menudo debatidos en las aplicaciones.

Key figures

• Sander Greenland
• James Robins
• Miguel Hernán
• Judea Pearl

Seminal works

• greenland-robins-1986
• hernan-robins-2006-iv
• hernan-robins-2016-trial

Frequently asked questions

¿Cuál es la diferencia entre identificación y estimación?

La identificación pregunta si la cantidad causal puede expresarse en términos de datos observables bajo supuestos establecidos; la estimación pregunta cómo calcularla con precisión a partir de una muestra finita una vez que ha sido identificada.

¿Qué es el supuesto de 'ausencia de factores de confusión no medidos'?

A menudo denominada intercambiabilidad, establece que, condicionalmente a las covariables medidas, los grupos expuestos y no expuestos habrían tenido la misma distribución de resultados si hubieran recibido la misma exposición; se requiere para la identificación basada en el ajuste y es generalmente infalsable.