Grafo Acíclico Dirigido

Un grafo acíclico dirigido (DAG) es un diagrama de nodos y flechas unidireccionales que se utiliza para codificar las suposiciones de un investigador sobre las relaciones causales entre variables. En epidemiología, los DAGs explicitan esas suposiciones y proporcionan reglas formales para decidir qué variables ajustar para estimar un efecto causal sin introducir sesgos.

Definition

Un grafo acíclico dirigido es un grafo en el que los nodos representan variables y las aristas dirigidas representan efectos causales directos asumidos, sin ningún camino que regrese a su nodo de partida, utilizado para derivar qué ajustes identifican un efecto causal.

Scope

Este tema cubre la estructura y la lectura de los DAGs causales, los conceptos de factores de confusión (confounders), mediadores y colisionadores (colliders), y las reglas gráficas, notablemente la d-separación y el criterio de la puerta trasera (back-door criterion), que vinculan un grafo dibujado con un conjunto de ajuste válido. Es una referencia metodológica, no una guía clínica.

Core questions

• ¿Cómo se pueden representar explícitamente las suposiciones sobre la estructura causal?
• ¿Qué variables deben ajustarse y cuáles no, para estimar un efecto causal?
• ¿En qué se diferencian los factores de confusión, los mediadores y los colisionadores en un grafo causal?

Key concepts

• Nodos y aristas dirigidas
• Factor de confusión, mediador y colisionador
• Camino de puerta trasera y criterio de la puerta trasera
• d-separación
• Sesgo del colisionador
• Conjunto de ajuste mínimo suficiente

Mechanisms

En un DAG, una flecha de una variable a otra codifica un efecto causal directo asumido, y la ausencia de una flecha codifica una ausencia asumida de efecto directo. El criterio de la puerta trasera de Pearl (pearl-1995) identifica un conjunto de variables que, al condicionar sobre ellas, bloquea todos los caminos no causales (de puerta trasera) entre la exposición y el resultado, dejando abierto el camino causal, lo que produce un conjunto de ajuste no sesgado. Greenland, Pearl y Robins (greenland-pearl-robins-1999) tradujeron esta teoría gráfica para epidemiólogos, mostrando cómo los factores de confusión (confounders) deberían controlarse, los mediadores generalmente no deberían controlarse al estimar los efectos totales, y los colisionadores (colliders) no deben condicionarse sobre ellos porque hacerlo abre un camino espurio (sesgo del colisionador). Por lo tanto, ajustar por las variables incorrectas puede crear sesgos en lugar de eliminarlos (schisterman-2009), y software como dagitty operacionaliza estas reglas (textor-2016).

Clinical relevance

Los DAGs guían cómo se planifica el control de la confusión en estudios que informan la evidencia clínica y de salud pública, ayudando a los lectores a comprender por qué se realizó o no un ajuste particular. Describen el razonamiento analítico y no son una base para decisiones individuales de diagnóstico o tratamiento.

Epidemiology

Los DAGs causales son ahora una parte estándar del diseño y la presentación de informes de estudios observacionales en epidemiología, utilizados para justificar la selección de covariables y para anticipar el sesgo de selección y el sesgo del colisionador. Herramientas como dagitty han hecho que el análisis formal de DAGs sea rutinario en el trabajo aplicado (textor-2016).

History

Pearl introdujo los diagramas causales y el criterio de la puerta trasera para formalizar la inferencia causal a partir de datos no experimentales (pearl-1995), y Greenland, Pearl y Robins introdujeron el marco en la epidemiología en 1999 (greenland-pearl-robins-1999). Trabajos aplicados posteriores aclararon escollos como el sobreajuste y el sesgo del colisionador (schisterman-2009) y produjeron software ampliamente utilizado para analizar DAGs (textor-2016).

Debates

¿Puede ser perjudicial ajustar por más covariables?

La teoría de los DAGs muestra que condicionar sobre mediadores o colisionadores puede introducir sesgos, por lo que añadir covariables no es automáticamente más seguro; la selección de un conjunto de ajuste requiere suposiciones causales explícitas en lugar de conveniencia estadística.

Key figures

• Judea Pearl
• Sander Greenland
• James Robins
• Enrique Schisterman

Seminal works

• pearl-1995
• greenland-pearl-robins-1999

Frequently asked questions

¿Qué significa 'acíclico' en un grafo acíclico dirigido?

Significa que ninguna variable puede, siguiendo la dirección de las flechas, causarse a sí misma; los efectos fluyen en una dirección sin bucles de retroalimentación.

¿Por qué ajustar por un colisionador puede crear sesgos?

Un colisionador es una variable causada por otras dos; condicionar sobre ella abre una asociación espuria entre sus causas, por lo que ajustarla puede introducir sesgos en lugar de eliminar la confusión.