How can the use of different modes of survey data collection introduce bias? A simple introduction to mode effects using directed acyclic graphs (DAGs)

Resumo Técnico: Viés na Coleta de Dados de Pesquisas de Modo Misto

Definição do Problema
O artigo aborda os desafios metodológicos introduzidos pela crescente adoção da coleta de dados de modo misto (por exemplo, combinando entrevistas presenciais, pesquisas telefônicas e questionários baseados na web) na epidemiologia. Embora os designs de modo misto ofereçam benefícios como redução de custos e maiores taxas de participação, eles introduzem duas fontes distintas de viés:

1. Efeitos de Modo: Erro de medição sistemático onde o modo da pesquisa influencia a forma como os respondentes respondem às perguntas (por exemplo, viés de desejabilidade social em modos conduzidos por entrevistador versus satisfação/satisficing em modos de auto-preenchimento).
2. Seleção de Modo: Diferenças na composição da amostra onde indivíduos se selecionam para modos específicos com base em suas características (por exemplo, nível de escolaridade, acesso à internet ou as próprias variáveis de exposição/desfecho).

Os autores argumentam que, embora os efeitos de modo sejam frequentemente reconhecidos, as consequências de tentar corrigi-los via ajustes estatísticos padrão (como condicionar pelo modo) são frequentemente subestimadas. Especificamente, o condicionamento ingênuo no modo de pesquisa na presença de seleção de modo pode induzir um viés de colisor (collider bias), potencialmente distorcendo as relações exposição-desfecho de forma mais severa do que o erro de medição original.

Metodologia
O artigo utiliza Grafos Acíclicos Dirigidos (DAGs) como uma ferramenta metodológica primária para visualizar e analisar as estruturas causais subjacentes às pesquisas de modo misto.

• Notação: Os autores distinguem entre variáveis latentes (reais) ($X$) e medidas observadas ($X^*$) obtidas via pesquisa.
• Modelagem de Cenários: Os autores constroem uma série de DAGs para representar várias configurações causais:
  • Cenários onde o modo atua apenas como uma fonte de variação de medição (um competing exposure ou confundidor das variáveis medidas).
  • Cenários onde o modo atua como um colisor (collider) porque a exposição latente e/ou o desfecho influenciam a escolha do modo de pesquisa.
  • Cenários longitudinais complexos envolvendo medidas repetidas e alternância de modo ao longo do tempo.
• Avaliação de Soluções: O artigo avalia teoricamente a validade de três abordagens estatísticas comuns — condicionamento, imputação e análise de viés quantitativo — sob essas diferentes estruturas causais.

Principais Contribuições e Resultados
A análise produz vários insights críticos sobre a interação entre efeitos de modo e seleção de modo:

1. Condicionamento no Modo:

   • Cenário Válido: Se o modo introduz variação de medição, mas não é influenciado pela exposição ou pelo desfecho (ou seja, sem seleção de modo), o condicionamento no modo (por exemplo, via estratificação ou ajuste de covariáveis) remove efetivamente o viés de medição.
   • Cenário Inválido: Se a exposição latente ou o desfecho influenciam a escolha do modo (seleção de modo), o modo torna-se um colisor. Condicionar no modo neste contexto abre um caminho de "back-door" entre a exposição e o desfecho, introduzindo viés de colisor. O artigo observa que este viés pode dominar a redução do erro de medição, levando a consequências líquidas negativas.

2. Abordagens de Imputação:

   • O artigo critica estratégias de imputação múltipla que tratam dados de modos que não são de referência como "faltantes". Esta abordagem condiciona implicitamente no modo (ao descartar dados de outros modos), violando assim o pressuposto de "Dados Faltantes ao Acaso" (Missing At Random - MAR) se a seleção de modo for impulsionada pelas variáveis de interesse. Isso leva aos mesmos problemas de viés de colisor que o condicionamento direto.

3. Complexidade Longitudinal:

   • Em contextos longitudinais, a seleção de modo pode ocorrer em múltiplos pontos no tempo. A alternância de modos entre ondas pode induzir mudanças aparentes em variáveis que são, na verdade, artefatos de diferenças de medição. Tentar corrigir isso condicionando em modos variantes no tempo corre o risco de abrir caminhos de colisor complexos, particularmente se existirem determinantes não mensurados da seleção de modo (por exemplo, posição socioeconômica).

4. Análise de Viés Quantitativo (QBA):

   • Os autores identificam a QBA como uma alternativa mais robusta quando a seleção de modo está presente. Ao contrário do condicionamento ou da imputação, a QBA (incluindo calibração e análise de sensibilidade) não exige o pressuposto de que a seleção de modo esteja ausente ou totalmente controlada. Ela permite que os pesquisadores estimem a magnitude do viés usando dados de validação externa ou tamanhos de efeito hipotéticos sem fazer suposições fortes e, muitas vezes, não testáveis sobre o mecanismo de seleção.

Significância e Alegações
O artigo posiciona-se como uma "introdução simples" a esses desafios, visando preencher a lacuna entre a literatura de metodologia de pesquisa e a prática epidemiológica. Suas principais alegações são:

• Risco Subestimado: O risco de introduzir viés de colisor através do condicionamento ingênuo no modo de pesquisa é provavelmente subestimado na epidemiologia, particularmente à medida que os designs de modo misto se tornam padrão.
• Dependência de Contexto: Não existe uma solução universal. O tratamento apropriado do modo depende inteiramente da estrutura causal específica (ou seja, se a seleção de modo existe e sua relação com a exposição/desfecho).
• Recomendação para Pensamento Causal: Os pesquisadores devem utilizar DAGs para mapear explicitamente as relações causais entre exposição, desfecho e modo de pesquisa antes de selecionar uma estratégia analítica.
• Mudança nas Melhores Práticas: Quando a seleção de modo significativa é suspeita, os métodos de ajuste padrão devem ser evitados. Em vez disso, os pesquisadores devem priorizar análises de viés quantitativo para calibrar estimativas ou avaliar a sensibilidade de seus achados aos potenciais efeitos de modo, em vez de confiar no condicionamento ou na imputação, que podem introduzir novos vieses.

Os autores concluem que, embora prevenir efeitos de modo através do design seja o ideal, as soluções estatísticas devem ser escolhidas com uma compreensão rigorosa dos mecanismos de seleção subjacentes para evitar comprometer a validade interna de estudos epidemiológicos baseados em pesquisas.