📊 statistics

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

Este artigo resolve o paradoxo de 50 anos de Lord ao demonstrar que nem as comparações de escore de mudança, nem as comparações de acompanhamento ajustadas pelo baseline podem estimar efeitos causais de forma confiável em dados observacionais devido a vieses distintos, destacando assim a necessidade crítica de perguntas de pesquisa bem definidas e métodos avançados de inferência causal, como os g-métodos.

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

Publicado 2026-01-27

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

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

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

O Grande Mistério: Dois Estatísticos, Duas Respostas

Imagine que uma universidade quer saber se a comida no refeitório faz os alunos ganharem peso, ou se meninos e meninas ganham peso de forma diferente. Eles pesam todos em setembro (início do semestre) e novamente em junho (final do semestre).

Eles contratam dois estatísticos para analisar os dados.

Estatístico A olha para a diferença no peso. Ele vê que, em média, os meninos e as meninas pesavam o mesmo em setembro e pesavam o mesmo em junho. Sua conclusão: "Nada mudou. A dieta e o sexo não importam."
Estatístico B olha para o peso final, mas ajusta de acordo com o peso que eles tinham inicialmente. Ele vê que, para estudantes que começaram com o mesmo peso, os meninos terminaram mais pesados que as meninas. Sua conclusão: "Os meninos ganharam significativamente mais peso do que as meninas, mesmo quando começaram com o mesmo tamanho."

Isto é o Paradoxo de Lord. Como podem dois especialistas olharem para exatamente os mesmos números e chegarem a conclusões completamente opostas?

A Solução do Artigo: Não é um Paradoxo, é uma Armadilha

Os autores deste artigo argumentam que isso não é um mistério mágico. É, na verdade, um sinal de alerta. Ambos os estatísticos estão usando métodos que são falhos em dados observacionais (dados onde as pessoas não são atribuídas aleatoriamente a grupos, como meninos vs. meninas).

O artigo explica que "mudança" é um conceito complexo. Para entendê-lo, imagine uma variável (como o peso) mudando por três razões diferentes:

O Fator "Hábito" (Mudança Endógena): Coisas que acontecem automaticamente por causa de onde você começou. Se você já é pesado, pode naturalmente continuar pesado ou ganhar um pouco apenas por existir.
O Fator "Ruído" (Mudança Aleatória): Flutuações aleatórias, como se pesar em uma balança instável ou ter uma noite de sono ruim.
O Fator "Real" (Mudança Exógena): O efeito real de algo novo, como a dieta ou a exposição que estamos estudando.

O Objetivo: Queremos medir o fator "Real". Queremos saber: A dieta realmente causou a mudança de peso, independentemente de quão pesados eles eram para começar?

Por que o Estatístico A Falhou (A Armadilha do "Score de Mudança")

O Estatístico A usou um Score de Mudança (Change Score). Isto é como calcular: Peso Final - Peso Inicial.

A Analogia: Imagine que você está tentando ver quanto uma planta cresceu. Você mede a planta no início e no fim, e depois subtrai o início do fim.

O Problema: Se a "exposição" (como ser um menino) causou o peso inicial ser maior, este método falha.
A Explicação do Artigo: Quando você subtrai o peso inicial, você acidentalmente subtrai o efeito da própria exposição. Se ser um menino faz você começar mais pesado, e você subtrai esse peso inicial, você está essencialmente "cancelando" a própria coisa que você está tentando medir.
O Resultado: O Estatístico A obteve um resultado de "zero mudança" porque a matemática cancelou o efeito real. O artigo diz que este método é perigoso em estudos observacionais porque muitas vezes esconde a verdade ou até dá a resposta errada (como dizer que um remédio funciona quando na verdade não funciona, ou vice-versa).

Por que o Estatístico B Também Estava Falho (A Armadilha do "Ajuste")

O Estatístico B usou ANCOVA (Acompanhamento condicional ao valor basal). Isto é como dizer: "Vamos comparar meninos e meninas, mas apenas se eles começaram exatamente com o mesmo peso."

A Analogia: Imagine que você está tentando ver se um novo fertilizante funciona. Você observa duas plantas que têm a mesma altura. Mas, sua régua está levemente curvada (erro de medição).

O Problema: Na vida real, nossas medições de "peso inicial" não são perfeitas. Elas possuem "ruído" (como uma balança instável).
A Explicação do Artigo: Quando você tenta ajustar para uma medição inicial que é ligeiramente errada, a matemática fica confusa. Isso tende a superestimar o efeito. Parece que os meninos ganharam mais peso do que realmente ganharam porque o "ruído" na medição inicial atrapalhou o ajuste.
O Resultado: O Estatístico B encontrou uma grande diferença, mas o artigo sugere que essa diferença pode estar exagerada devido a erros de medição e outros fatores ocultos (como atividade física) que não foram contabilizados.

O Veredito: Um Aviso de 50 Anos

O artigo conclui que nenhum dos métodos é perfeito para dados observacionais.

Scores de Mudança (Change Scores) (Estatístico A) tendem a subestimar ou esconder o efeito, especialmente se a exposição afetar o ponto de partida.
Métodos de Ajuste (Estatístico B) tendem a superestimar o efeito devido a erros de medição e outros fatores de confusão ocultos.

O Cenário "Perfeito":
O artigo observa que, se isto fosse um Ensaio Clínico Controlado Aleatório (como um teste de medicamento onde as pessoas são atribuídas aleatoriamente aos grupos), ambos os métodos funcionariam bem e dariam a mesma resposta. O paradoxo só acontece em contextos "observacionais", onde os grupos (como meninos vs. meninas) já existem e possuem diferenças pré-existentes.

A Lição para Todos

A principal lição deste enigma de 50 anos é: Seja muito cuidadoso ao analisar "mudanças" em dados do mundo real.

Defina sua pergunta claramente: O que exatamente você está tentando medir?
Não confie em subtrações simples: Apenas tirar a diferença entre "antes" e "depois" é frequentemente enganoso se os grupos começaram de forma diferente.
Não confie em ajustes simples: Apenas "ajustar" para o ponto de partida não é uma solução mágica se suas medições forem imperfeitas ou se houver fatores ocultos (como hábitos de exercício) influenciando os resultados.

O artigo não oferece uma "solução mágica" única para todas as situações, mas alerta os cientistas que as duas formas mais comuns de observar a mudança são frequentemente tendenciosas em direções opostas, levando ao "paradoxo" confuso que vemos no exemplo de Lord.

Resumo Técnico: O 'Paradoxo' de Lord Explicado: O Alerta de 50 Anos sobre o Uso de 'Pontuações de Mudança' em Dados Observacionais

Definição do Problema
O enigma de Frederick Lord de 1967, conhecido como o "paradoxo de Lord", destaca um problema persistente na ciência de dados observacionais: duas abordagens estatísticas aparentemente razoáveis para estimar o efeito de uma exposição sobre a "mudança" de um desfecho podem produzir resultados radicalmente diferentes e, por vezes, com sinais discordantes. A primeira abordagem (Abordagem 1) compara médias de "pontuações de mudança" (a diferença entre o desfecho de acompanhamento e o basal, $\Delta Y = Y_1 - Y_0$ ) entre grupos de exposição. A segunda abordagem (Abordagem 2) compara os desfechos de acompanhamento entre grupos enquanto condiciona ao desfecho basal (por exemplo, Análise de Covariância, ANCOVA). Embora a literatura há muito debata se esses métodos respondem a perguntas diferentes ou se um é superior ao outro, este artigo argumenta que o paradoxo surge porque ambos os métodos são suscetíveis a vieses distintos e opostos quando aplicados a dados observacionais onde a exposição não é randomizada.

Metodologia e Estrutura Conceitual
Os autores resolvem o paradoxo desconstruindo a definição de "mudança" e mapeando os caminhos causais envolvidos em dados longitudinais. Eles propõem que a mudança de uma variável ao longo do tempo ( $Y_1 - Y_0$ ) é impulsionada por três componentes distintos:

Mudança Endógena: Autocorrelação da instância basal ( $Y_0$ ), representando processos predeterminados.
Mudança Aleatória: Variação aleatória transitória, incluindo erro de medição clássico.
Mudança Exógena: Mudança não aleatória e não endógena ( $C_Y$ ) que é potencialmente modificável por variáveis basais.

Os autores postulam que o verdadeiro estimando alvo na maioria das investigações causais é o efeito de uma exposição ( $X$ ) sobre a mudança exógena. Eles utilizam Gráficos Acíclicos Dirigidos (DAGs) para ilustrar como a relação entre a exposição e o desfecho basal ( $Y_0$ ) dita o estimando apropriado. Especificamente, quando $X$ causa $Y_0$ (como no exemplo original de Lord, onde o sexo influencia o peso basal), o alvo é o efeito direto controlado de $X$ sobre $Y_1$ em níveis fixos de $Y_0$ .

Para demonstrar a mecânica do viés, os autores derivam a relação matemática entre as duas abordagens. Eles mostram que uma análise de pontuação de mudança efetivamente subtrai um termo $[1 - \beta_1]Y_0$ do desfecho de acompanhamento. Em cenários observacionais onde $X$ está associado a $Y_0$ , esse termo de subtração introduz viés, a menos que pressupostos rigorosos (tendências paralelas e ausência de antecipação) sejam atendidos. Por outro lado, a abordagem de acompanhamento condicional ao basal (ANCOVA) tenta isolar a mudança exógena subtraindo uma função linear de $Y_0$ . No entanto, esta abordagem é suscetível a viés se $Y_0$ for medido imperfeitamente (levando à diluição por regressão e estimativas infladas) ou se a relação for não linear.

Os autores validam essas afirmações teóricas através de dados simulados que replicam o cenário original de Lord (sexo, peso basal, peso de acompanhamento). Eles simulam cenários com e sem erro de medição clássico transitório e confusão temporal (atividade física).

Principais Resultados
Os resultados das simulações e a análise teórica produzem as seguintes descobertas:

Vieses Opostos: Na ausência de randomização, as duas abordagens produzem estimativas enviesadas em direções opostas. Análises de pontuação de mudança tendem a produzir estimativas diluídas ou nulas (ou até coeficientes de sinal oposto) quando a exposição causa ou é causada pelo desfecho basal. Análises de acompanhamento condicional ao basal tendem a produzir estimativas infladas quando o desfecho basal é medido com erro.
O Papel do Erro de Medição: A medição imperfeita do desfecho basal é uma fonte crítica de viés para a abordagem ANCOVA. Os autores demonstram que o uso de múltiplas medidas do desfecho basal pode reduzir esse viés, embora possa não eliminá-lo inteiramente.
Confusão Temporal: Quando existe um confundidor temporal (ex: atividade física) que é causado pela exposição e afeta tanto o desfecho basal quanto o de acompanhamento, o simples condicionamento ao basal falha. Nesses casos, modelos ANCOVA ou de pontuação de mudança padrão produzem estimativas enviesadas, enquanto métodos-g (ex: g-computação) são necessários para recuperar o verdadeiro efeito causal.
Equivalência sob Condições Específicas: Os autores observam que as análises de pontuação de mudança e as análises de acompanhamento condicional ao basal são matematicamente equivalentes quando o modelo de pontuação de mudança também condiciona ao desfecho basal, desde que os mesmos pressupostos se apliquem.

Significância e Conclusões
O artigo conclui que o "paradoxo" de Lord não é uma curiosidade estatística, mas um alerta fundamental sobre o uso de pontuações de mudança em dados observacionais. Os autores afirmam que nenhuma das abordagens é universalmente "correta" para estimar o efeito de uma exposição sobre a mudança exógena sem satisfazer pressupostos específicos e, muitas vezes, não testáveis.

A principal significância do trabalho reside na clarificação de que:

Pontuações de mudança são geralmente inapropriadas para dados observacionais onde a exposição influencia o desfecho basal (ou vice-versa), pois falham em isolar a mudança exógena devido ao viés inerente no termo de subtração.
A ANCOVA não é uma panaceia; ela é altamente sensível ao erro de medição na variável basal e à confusão temporal.
Questões de pesquisa bem definidas são essenciais. Pesquisadores devem definir claramente se estão interessados em efeitos totais, efeitos diretos ou mudança exógena, e reconhecer que as análises de "mudança" padrão frequentemente falham em estimar esses alvos em cenários não randomizados.

Os autores recomendam que as análises de pontuação de mudança sejam reservadas primordialmente para experimentos naturais ou ensaios randomizados onde a exposição é exógena. Em cenários observacionais, os pesquisadores devem priorizar modelos causais bem definidos, utilizar múltiplas medidas basais para mitigar o erro de medição e empregar métodos avançados como os métodos-g para abordar a confusão temporal.