Raciocínio Contrafactual

O raciocínio contrafactual é a lógica fundamental da inferência causal moderna: ele define o efeito de uma exposição como uma comparação entre o que realmente aconteceu e o que teria acontecido sob uma exposição diferente, contrária aos fatos, para os mesmos indivíduos ou população. Como apenas um desses resultados é sempre observado, a inferência causal torna-se um problema de recuperação do contrafactual ausente.

Definition

O raciocínio contrafactual define um efeito causal como um contraste entre resultados potenciais, os resultados que uma unidade experimentaria sob diferentes exposições, dos quais no máximo um é observado para cada unidade.

Scope

Este tópico aborda a estrutura dos resultados potenciais (modelo causal de Rubin), a definição de efeitos causais individuais e médios como contrastes contrafactuais, e o problema fundamental da inferência causal de que apenas um resultado potencial por unidade é observável. É uma referência metodológica, não uma orientação clínica.

Core questions

• O que teria acontecido com as mesmas pessoas sob uma exposição diferente?
• Como um efeito causal é definido quando apenas um resultado pode ser observado?
• Como os efeitos causais individuais e médios se relacionam?

Key concepts

• Resultados potenciais
• Efeito causal individual versus médio
• Problema fundamental da inferência causal
• Contraste contrafactual
• Permutabilidade
• Consistência

Mechanisms

No modelo de resultados potenciais formalizado por Rubin (rubin-1974), cada unidade tem um resultado potencial sob cada exposição possível; o efeito causal individual é o contraste entre eles, e o efeito causal médio é a média populacional desses contrastes. O problema fundamental é que apenas o resultado sob a exposição realmente recebida é observado, então o contrafactual deve ser estimado usando um grupo de comparação. Isso é válido apenas quando os grupos são permutáveis, ou seja, teriam tido a mesma distribuição de resultados se tivessem recebido a mesma exposição (greenland-robins-1986), e quando o resultado observado corresponde ao resultado potencial correspondente (consistência). A randomização faz com que a permutabilidade ocorra por design; em dados observacionais, ela deve ser assumida e defendida (hernan-robins-2006). Diagramas causais fornecem uma representação estrutural complementar dessas mesmas suposições contrafactuais (greenland-pearl-robins-1999).

Clinical relevance

A definição contrafactual esclarece o que um efeito de tratamento ou exposição realmente significa e por que um grupo de comparação válido é essencial, o que sustenta a avaliação de todas as evidências causais nas ciências da saúde. Ela descreve a lógica da estimativa de efeitos e não é uma base para decisões individuais de diagnóstico ou tratamento.

Epidemiology

A estrutura de resultados potenciais é a espinha dorsal conceitual dos métodos epidemiológicos contemporâneos, desde ensaios randomizados até análises observacionais usando ajuste, ponderação ou g-métodos. Ela fornece a linguagem na qual o confundimento, o viés de seleção e a modificação de efeito são agora definidos (hernan-robins-2006).

History

A ideia de resultados potenciais remonta ao trabalho de Neyman no início do século XX sobre experimentos randomizados e foi generalizada para estudos observacionais por Rubin em 1974 (rubin-1974). Greenland e Robins a conectaram ao confundimento epidemiológico através da permutabilidade (greenland-robins-1986), e a estrutura, posteriormente unificada com diagramas causais (greenland-pearl-robins-1999), tornou-se central para como os epidemiologistas definem e estimam efeitos causais (hernan-robins-2006).

Debates

Quão bem definida deve ser uma intervenção contrafactual?

Alguns argumentam que os contrastes contrafactuais são significativos apenas para exposições correspondentes a intervenções hipotéticas razoavelmente bem definidas, levantando questões sobre os efeitos de atributos como raça ou peso corporal; outros adotam uma visão mais ampla de contrastes admissíveis.

Key figures

• Donald Rubin
• Jerzy Neyman
• James Robins
• Sander Greenland
• Miguel Hernán

Seminal works

• rubin-1974
• greenland-robins-1986
• greenland-pearl-robins-1999

Frequently asked questions

Por que é chamado de 'problema fundamental' da inferência causal?

Porque para qualquer unidade apenas o resultado sob a exposição realmente recebida pode ser observado; o resultado sob a exposição alternativa está ausente, então o efeito causal individual nunca pode ser medido diretamente.

Como a randomização ajuda com os contrafactuais?

A atribuição aleatória torna os grupos de exposição permutáveis em média, de modo que o resultado observado em um grupo estima o resultado contrafactual ausente do outro, permitindo que o efeito causal médio seja estimado.