📊 statistics

Lord's 'paradox' explained: the 50-year warning on the use of 'change scores' in observational data

Questo articolo risolve il paradosso di Lord vecchio di 50 anni dimostrando che né i confronti dei punteggi di variazione né i confronti del follow-up corretti per il baseline possano stimare in modo affidabile gli effetti causali nei dati osservazionali a causa di distinti bias, evidenziando così la critica necessità di domande di ricerca ben definite e di metodi avanzati di inferenza causale come i g-methods.

Autori originali: Peter W. G. Tennant, Georgia D. Tomova, Eleanor J. Murray, Kellyn F. Arnold, Matthew P. Fox, Mark S. Gilthorpe

Pubblicato 2026-01-27

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Peter W. G. Tennant, Georgia D. Tomova, Eleanor J. Murray, Kellyn F. Arnold, Matthew P. Fox, Mark S. Gilthorpe

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Il grande mistero: Due statistici, due risposte

Immaginate che un'università voglia sapere se il cibo nella mensa fa aumentare di peso gli studenti, o se ragazzi e ragazze aumentano di peso in modo diverso. Pesano tutti a settembre (all'inizio del semestre) e di nuovo a giugno (alla fine del semestre).

Assumono due statistici per analizzare i dati.

Lo Statistico A guarda la differenza di peso. Vede che, in media, i ragazzi e le ragazze pesavano lo stesso a settembre e pesavano lo stesso a giugno. La sua conclusione: "Nulla è cambiato. La dieta e il sesso non contano."
Lo Statistico B guarda il peso finale, ma lo adegua in base a quanto pesavano all'inizio. Vede che, per gli studenti che partivano dallo stesso peso, i ragazzi sono finiti per essere più pesanti delle ragazze. La sua conclusione: "I ragazzi hanno preso significativamente più peso rispetto alle ragazze, anche quando partivano dalle stesse dimensioni."

Questo è il Paradosso di Lord. Come possono due persone intelligenti guardare esattamente gli stessi numeri e arrivare a conclusioni completamente opposte?

La soluzione del saggio: Non è un paradosso, è una trappola

Gli autori di questo saggio sostengono che questo non sia un mistero magico. È in realtà un segnale di avvertimento. Entrambi gli statistici stanno usando metodi che sono difettosi nei dati osservazionali (dati dove le persone non sono assegnate casualmente ai gruppi, come ragazzi vs ragazze).

Il saggio spiega che il concetto di "cambiamento" è complicato. Per capirlo, immaginate che una variabile (come il peso) cambi per tre ragioni diverse:

Il fattore "Abitudine" (Cambiamento endogeno): Cose che accadono automaticamente in base a dove si è partiti. Se sei già pesante, potresti naturalmente rimanere pesante o aumentare di poco semplicemente esistendo.
Il fattore "Rumore" (Cambiamento casuale): Fluttuazioni casuali, come pesarsi su una bilancia traballante o aver dormito male una notte.
Il fattore "Reale" (Cambiamento esogeno): L'effettivo effetto di qualcosa di nuovo, come la dieta o l'esposizione che stiamo studiando.

L'Obiettivo: Vogliamo misurare il fattore "Reale". Vogliamo sapere: La dieta ha effettivamente causato il cambiamento di peso, indipendentemente da quanto pesassero all'inizio?

Perché lo Statistico A ha fallito (La trappola del "Punteggio di variazione")

Lo Statistico A ha usato un Punteggio di variazione (Change Score). Questo è come calcolare: Peso Finale - Peso Iniziale.

L'Analogia: Immaginate di voler vedere quanto è cresciuta una pianta. Misurate la pianta all'inizio e alla fine, poi sottraete il valore iniziale dal valore finale.

Il Problema: Se l'"esposizione" (come essere un ragazzo) ha causato il peso iniziale più elevato, questo metodo si rompe.
La Spiegazione del Saggio: Quando sottraete il peso iniziale, accidentalmente sottraete l'effetto dell'esposizione stessa. Se essere un ragazzo ti rende più pesante all'inizio, e tu sottrai quel peso iniziale, stai essenzialmente "annullando" proprio ciò che stai cercando di misurare.
Il Risultato: Lo Statistico A ha ottenuto un risultato di "variazione zero" perché la matematica ha annullato l'effetto reale. Il saggio afferma che questo metodo è pericoloso negli studi osservazionali perché spesso nasconde la verità o fornisce persino la risposta sbagliata (come dire che un medicinale funziona quando in realtà non lo è, o viceversa).

Perché anche lo Statistico B era difettoso (La trappola dell' "Adeguamento")

Lo Statistico B ha usato l'ANCOVA (Follow-up condizionato al valore basale). Questo è come dire: "Confrontiamo ragazzi e ragazze, ma solo se partivano esattamente dallo stesso peso".

L'Analogia: Immaginate di voler vedere se un nuovo fertilizzante funziona. Osservate due piante della stessa altezza. Ma il vostro righello è leggermente storto (errore di misurazione).

Il Problema: Nella realtà, le nostre misurazioni del "peso iniziale" non sono perfette. Hanno del "rumore" (come una bilancia traballante).
La Spiegazione del Saggio: Quando cercate di adeguare una misurazione iniziale che è leggermente errata, la matematica diventa complicata. Tende a sovrastimare l'effetto. Sembra che i ragazzi abbiano preso più peso di quanto ne abbiano effettivamente preso perché il "rumore" nella misurazione iniziale ha sballato l'adeguamento.
Il Risultato: Lo Statistico B ha trovato una grande differenza, ma il saggio suggerisce che questa differenza possa essere esagerata a causa degli errori di misurazione e di altri fattori nascosti (come l'attività fisica) che non sono stati presi in considerazione.

Il Verdetto: Un avvertimento di 50 anni

Il saggio conclude che nessuno dei due metodi è perfetto per i dati osservazionali.

I Punteggi di variazione (Statistico A) tendono a sottostimare o nascondere l'effetto, specialmente se l'esposizione influenza il punto di partenza.
I Metodi di adeguamento (Statistico B) tendono a sovrastimare l'effetto a causa degli errori di misurazione e dei fattori di confusione nascosti.

Lo Scenario "Perfetto":
Il saggio nota che se si trattasse di un Trial Controllato Randomizzato (come una sperimentazione farmacologica dove le persone sono assegnate casualmente ai gruppi), entrambi i metodi funzionerebbero bene e darebbero la stessa risposta. Il paradosso accade solo in contesti "osservazionali" dove i gruppi (come ragazzi vs ragazze) esistono già e presentano differenze preesistenti.

L'Insegnamento per tutti

La lezione principale di questo enigma di 50 anni è: Siate molto cauti quando analizzate il "cambiamento" nei dati del mondo reale.

Definite chiaramente la vostra domanda: Cosa state cercando di misurare esattamente?
Non fidatevi della semplice sottrazione: Prendere semplicemente la differenza tra "prima" e "dopo" è spesso fuorviante se i gruppi sono partiti in modo diverso.
Non fidatevi del semplice adeguamento: "Adeguare" semplicemente il punto di partenza non è una soluzione magica se le vostre misurazioni sono imperfette o se ci sono fattori nascosti (come le abitudini di esercizio fisico) che influenzano i risultati.

Il saggio non offre una singola "soluzione magica" per tutte le situazioni, ma avverte gli scienziati che i due modi più comuni di guardare al cambiamento sono spesso distorti in direzioni opposte, portando al confuso "paradosso" che vediamo nell'esempio di Lord.

Sintesi Tecnica: Spiegazione del 'Paradosso' di Lord: L'avvertimento di 50 anni sull'uso dei 'Punteggi di Cambiamento' nei Dati Osservazionali

Problema di Ricerca
Il dilemma di Frederick Lord del 1967, noto come il "paradosso di Lord", evidenzia un problema persistente nella scienza dei dati osservazionali: due approcci statistici apparentemente ragionevoli per stimare l'effetto di un'esposizione sul "cambiamento" di un esito possono produrre risultati radicalmente diversi e, talvolta, con segni discordanti. Il primo approccio (Approccio 1) confronta le medie dei "punteggi di cambiamento" (la differenza tra l'esito al follow-up e quello al baseline, $\Delta Y = Y_1 - Y_0$ ) tra i gruppi esposti. Il secondo approccio (Approccio 2) confronta gli esiti al follow-up tra i gruppi condizionando l'analisi all'esito al baseline (ad esempio, l'Analisi della Covarianza, ANCOVA). Mentre la letteratura ha a lungo dibattuto se questi metodi rispondano a domande diverse o se uno sia superiore all'altro, questo articolo sostiene che il paradosso derivi dal fatto che entrambi i metodi sono suscettibili di distorsioni (bias) distinte e opposte quando applicati a dati osservazionali in cui l'esposizione non è randomizzata.

Metodologia e Quadro Concettuale
Gli autori risolvono il paradosso decostruendo la definizione di "cambiamento" e mappando i percorsi causali coinvolti nei dati longitudinali. Essi propongono che il cambiamento di una variabile nel tempo ( $Y_1 - Y_0$ ) sia guidato da tre componenti distinte:

Cambiamento Endogeno: Autocorrelazione dal baseline ( $Y_0$ ), che rappresenta processi predeterminati.
Cambiamento Casuale: Variazione casuale transitoria, incluso l'errore di misurazione classico.
Cambiamento Esogeno: Cambiamento non casuale e non endogeno ( $C_Y$ ) che è potenzialmente modificabile dalle variabili al baseline.

Gli autori sostengono che il vero target dell'estimando nella maggior parte delle indagini causali sia l'effetto di un'esposizione sul cambiamento esogeno. Utilizzano Grafi Aciclici Diretti (DAG) per illustrare come la relazione tra l'esposizione e l'esito al baseline ( $Y_0$ ) determini l'estimando appropriato. Nello specifico, quando $X$ causa $Y_0$ (come nell'esempio originale di Lord dove il sesso influenza il peso basale), il target è l'effetto diretto controllato di $X$ su $Y_1 a livelli fissi di$ Y_0$.

Per dimostrare la meccanica della distorsione, gli autori derivano la relazione matematica tra i due approcci. Mostrano che un'analisi del punteggio di cambiamento sottrae efficacemente un termine $[1 - \beta_1]Y_0$ dall'esito al follow-up. In contesti osservazionali in cui $X$ è associato a $Y_0$ , questo termine di sottrazione introduce una distorsione a meno che non siano soddisfatte rigide assunzioni (trend paralleli e assenza di anticipazione). Al contrario, l'approccio del follow-up condizionato al baseline (ANCOVA) tenta di isolare il cambiamento esogeno sottraendo una funzione lineare di $Y_0$ . Tuttavia, questo approccio è suscettibile di distorsione se $Y_0$ è misurato in modo imperfetto (portando a diluizione della regressione e stime gonfiate) o se la relazione è non lineare.

Gli autori validano queste affermazioni teoriche attraverso dati simulati che replicano lo scenario originale di Lord (sesso, peso basale, peso al follow-up). Simulano scenari con e senza errore di misurazione classico transitorio e confondimento variabile nel tempo (attività fisica).

Risultati Chiave
I risultati delle simulazioni e l'analisi teorica portano ai seguenti risultati:

Distorsioni Opposte: In assenza di randomizzazione, i due approcci producono stime distorte in direzioni opposte. Le analisi dei punteggi di cambiamento tendono a produrre stime diluite o nulle (o persino coefficienti con segno opposto) quando l'esposizione causa o è causata dall'esito al baseline. Gli analisi del follow-up condizionato al baseline tendono a produrre stime gonfiate quando l'esito al baseline è misurato con errore.
Il Ruolo dell'Errore di Misurazione: La misurazione imperfetta dell'esito al baseline è una fonte critica di distorsione per l'approccio ANCOVA. Gli autori dimostrano che l'uso di misurazioni multiple dell'esito al baseline può ridurre questa distorsione, sebbene possa non eliminarla del tutto.
Confondimento Variabile nel Tempo: Quando esiste un confonditore variabile nel tempo (ad esempio, l'attività fisica) che è causato dall'esposizione e influenza sia il baseline che il follow-up, il semplice condizionamento sull'esito al baseline fallisce. In tali casi, i modelli standard ANCOVA o di punteggio di cambiamento producono stime distorte, mentre sono necessari i metodi g (come la g-computazione) per recuperare il vero effetto causale.
Equivalenza sotto Condizioni Specifiche: Gli autori notano che le analisi dei punteggi di cambiamento e le analisi del follow-up condizionato al baseline sono matematicamente equivalenti quando il modello del punteggio di cambiamento condiziona anche sull'esito al baseline, a patto che le stesse assunzioni siano rispettate.

Significato e Conclusioni
L'articolo conclude che il "paradosso" di Lord non è una curiosità statistica ma un avvertimento fondamentale riguardo all'uso dei punteggi di cambiamento nei dati osservazionali. Gli autori affermano che nessuno dei due approcci è universalmente "corretto" per stimare l'effetto di un'esposizione sul cambiamento esogeno senza soddisfare specifiche assunzioni, spesso non verificabili.

La principale rilevanza del lavoro risiede nella chiarificazione che:

I punteggi di cambiamento sono generalmente inappropriati per i dati osservazionali in cui l'esposizione influenza l'esito al baseline (o viceversa), poiché non riescono a isolare il cambiamento esogeno a causa dell'inerente distorsione nel termine di sottrazione.
L'ANCOVA non è una panacea; è altamente sensibile all'errore di misurazione nella variabile al baseline e al confondimento variabile nel tempo.
Domande di ricerca ben definite sono essenziali. I ricercatori devono definire chiaramente se sono interessati agli effetti totali, agli effetti diretti o al cambiamento esogeno, e riconoscere che le analisi del "cambiamento" standard spesso falliscono nel stimare questi target in contesti non randomizzati.

Gli autori raccomandano di riservare le analisi dei punteggi di cambiamento principalmente a esperimenti naturali o studi clinici randomizzati in cui l'esposizione è esogena. Nei contesti osservazionali, i ricercatori dovrebbero dare priorità a modelli causali ben definiti, utilizzare misurazioni multiple del baseline per mitigare l'errore di misurazione ed impiegare metodi avanzati come i metodi g per affrontare il confondimento variabile nel tempo.