The Role of Measured Covariates in Assessing Sensitivity to Unmeasured Confounding

A continuación presento un resumen técnico detallado del artículo "The Role of Measured Covariates in Assessing Sensitivity to Unmeasured Confounding" (El papel de las covariables medidas en la evaluación de la sensibilidad al confusión no medida), escrito por Dalal, Horng, Feng y Small.

1. Planteamiento del Problema

La inferencia causal en estudios observacionales enfrenta un desafío central: el confusión no medido. Aunque el análisis de sensibilidad es una herramienta estándar para evaluar la robustez de las conclusiones causales ante este problema, la interacción entre la estructura de las covariables medidas y la sensibilidad a confusión residual ha sido históricamente ignorada.

El problema específico que abordan los autores es el siguiente:

• En muchos estudios, los confusores latentes ($U$) no pueden ajustarse directamente y se controlan mediante variables proxy medidas ($X$).
• Tradicionalmente, la multicolinealidad fuerte entre la exposición ($A$) y las covariables medidas ($X$) se considera un problema de potencia estadística (aumenta el error estándar y reduce la precisión), pero no se considera que introduzca sesgo si el modelo está correctamente especificado.
• La hipótesis central: Cuando $X$ actúa como un proxy imperfecto de un confusor no medido $U$, una asociación fuerte entre $A$ y $X$ puede amplificar la sensibilidad del estimador causal a la confusión residual. Es decir, cuanto más predecible es la exposición por las covariables medidas (proxy), más frágil se vuelve la conclusión causal ante la presencia de confusión no medida.

2. Metodología y Marco Teórico

Los autores formalizan este fenómeno en el contexto de regresiones lineales, utilizando un enfoque estructural y de errores de medición.

A. Modelo Estructural

Se define un modelo donde la variable de resultado $Y$ depende de la exposición $A$, una covariable medida $X$ (proxy de $U$) y un confusor no medido $U$:
$$Y = \alpha_0 + \beta A + \theta_X X + \gamma U + \varepsilon_Y$$
Donde $X$ es un proxy de $U$ con error de medición:
$$X = U + \varepsilon_X$$

Bajo la Suposición 3.1 (que $A$ y $X$ no comparten causas comunes excepto a través de $U$, y que $X$ no causa directamente a $A$), los autores derivan una expresión para el sesgo en el coeficiente estimado de la exposición ($\hat{\beta}_{Y \sim A, X}$) respecto al verdadero efecto causal $\beta$.

B. La Proposición 1 (Resultado Clave)

La contribución teórica principal es la Proposición 1, que descompone el sesgo de variables omitidas amplificado. El sesgo se expresa como:

$$\hat{\beta}_{Y \sim A, X} - \beta = \gamma \cdot \frac{\text{Var}(\varepsilon_X) \cdot \beta_{A \sim X}}{\text{Var}(A)(1 - R^2_{A \sim X})}$$

Donde:

• $\gamma$: Fuerza del confusor $U$ sobre el resultado $Y$.
• $\text{Var}(\varepsilon_X)$: Calidad del proxy (error de medición de $X$ respecto a $U$).
• $\beta_{A \sim X}$: Coeficiente de regresión de la exposición sobre el proxy.
• $\text{Var}(A)(1 - R^2_{A \sim X})$: Varianza residual de la exposición $A$ después de ajustar por $X$.

Interpretación Técnica:
El término $\frac{\beta_{A \sim X}}{\text{Var}(A)(1 - R^2_{A \sim X})}$ actúa como un factor de amplificación. Si la asociación entre la exposición y el proxy es fuerte (alto $\beta_{A \sim X}$) y la varianza residual de la exposición es baja (alta $R^2_{A \sim X}$), el sesgo derivado de cualquier confusión no medida ($\gamma$) se magnifica drásticamente. Esto implica que un modelo con alta multicolinealidad puede parecer estadísticamente significativo, pero ser extremadamente sensible a pequeñas violaciones de la suposición de no confusión.

C. Aplicación Empírica: Tabaco y Cáncer de Pulmón

Para validar el marco teórico, los autores analizan datos del NHANES (Encuesta Nacional de Examen de Salud y Nutrición) de dos periodos:

1. 1971-1974: Periodo temprano de la epidemia del tabaco.
2. 2015-2016: Periodo contemporáneo.

Utilizan modelos de puntuación de propensión y regresión logística para demostrar que, con el tiempo, el estatus de fumador se ha vuelto más predecible por covariables socioeconómicas (edad, raza, educación, índice de pobreza). Esto indica un aumento en la multicolinealidad entre la exposición (tabaquismo) y los proxies de estatus socioeconómico.

3. Resultados Principales

1. Evolución de la Multicolinealidad:

   • En los datos de 2015-2016, la asociación entre el índice de pobreza (proxy de $U$) y el consumo de tabaco ($A$) es significativamente más fuerte que en 1971-1974.
   • La varianza residual del consumo de tabaco (después de ajustar por covariables) se ha mantenido relativamente estable, lo que significa que el aumento en la predictibilidad proviene de una mayor correlación estructural.

2. Amplificación de la Sensibilidad:

   • Al calcular el ratio $\frac{\beta_{A \sim X}}{\text{Var}(A)(1 - R^2_{A \sim X})}$ (donde $X$ es el índice de pobreza), los autores encuentran intervalos de confianza que no se superponen entre los dos periodos.
   • El ratio es mucho más extremo en los datos modernos, lo que indica que las estimaciones de efecto del tabaco sobre el cáncer de pulmón en la actualidad son mucho más sensibles a la presencia de un confusor no medido que las estimaciones de hace 50 años.

3. Simulación (Figura 1):

   • Mediante datos generados sintéticamente, muestran dos estudios con estimaciones de efecto y errores estándar similares. Sin embargo, el estudio con mayor asociación entre exposición y covariable (Study 1) produce estimaciones mucho más sesgadas ante la presencia de un confusor latente, a pesar de tener un análisis de sensibilidad estándar que podría parecer robusto.

4. Contribuciones Clave

• Formalización del Riesgo de Multicolinealidad: Demuestran que la multicolinealidad no es solo un problema de varianza (precisión), sino un problema de validez cuando se utilizan proxies para confusores latentes.
• Métrica Observable: Proponen un ratio simple y observable (coeficiente del modelo de exposición / varianza residual de la exposición) como una medida diagnóstica para cuantificar la sensibilidad amplificada a la confusión no medida.
• Reinterpretación de la Sensibilidad: Cuestionan la interpretación tradicional de los análisis de sensibilidad (como los valores de robustez de Cinelli y Hazlett o los modelos de Rosenbaum), sugiriendo que estos pueden ser engañosos si no se tiene en cuenta la estructura de correlación entre la exposición y las covariables medidas.

5. Significado e Implicaciones

Este trabajo tiene implicaciones profundas para la epidemiología y la ciencia de datos causal:

1. Advertencia para Estudios Modernos: A medida que los datos observacionales se vuelven más ricos en covariables y las exposiciones (como el tabaquismo) se estratifican más fuertemente por factores socioeconómicos, las conclusiones causales pueden volverse menos robustas a la confusión no medida, incluso si los modelos estadísticos parecen más precisos.
2. Selección de Covariables: Subraya que la inclusión de covariables que son fuertes predictores de la exposición pero que actúan como proxies imperfectos de confusores latentes puede ser contraproducente si no se evalúa su impacto en la sensibilidad.
3. Cambio de Paradigma: Invita a los investigadores a ser más escépticos ante conclusiones causales derivadas de datos donde la exposición está altamente correlacionada con las covariables medidas, especialmente en contextos de estratificación social creciente.

En resumen, el artículo advierte que una fuerte asociación entre la exposición y las covariables medidas puede "enmascarar" la fragilidad de una inferencia causal, haciendo que los resultados sean extremadamente sensibles a confusores no medidos que de otro modo parecerían inofensivos.