📊 statistics

Bounding Causal Effects for Ordinal Outcomes Under Positive Dependence

Este artigo aborda o desafio de estimar efeitos causais para resultados ordinais ao demonstrar que as suposições padrão de dependência positiva são insuficientes para justificar limites baseados em independência mais estreitos, levando os autores a propor uma nova condição mais forte chamada dominância de cauda diagonal (DTD) e a derivar limites locais aprimorados que são validados por meio de análise teórica, simulações e uma aplicação em ensaio clínico.

Autores originais: Micha Mandel, Daniel Rodan

Publicado 2026-06-16

📖 7 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Micha Mandel, Daniel Rodan

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

Imagine que você está tentando decidir se um novo medicamento funciona melhor do que um placebo. Em muitos estudos médicos, os resultados não são números simples de "sim" ou "não". Em vez disso, são desfechos ordinais — categorias classificadas como "Terrível", "Pobre", "Regular", "Bom" e "Excelente".

O problema é que, embora saibamos que "Excelente" é melhor que "Bom", não sabemos o quanto é melhor. O intervalo entre "Regular" e "Bom" é o mesmo que entre "Bom" e "Excelente"? Não sabemos. Por causa disso, as ferramentas matemáticas padrão (como calcular uma média de melhora) falham. Você não pode simplesmente tirar a média de "Terrível" e "Excelente" para obter um número significativo.

Este artigo aborda um desafio específico: Como podemos provar que um tratamento ajuda, sem inventar números arbitrários ou assumir que sabemos exatamente como os desfechos dos pacientes estão interligados?

Aqui está a história do artigo, dividida com analogias simples.

1. O Problema da "Caixa Preta"

Imagine que você tem dois grupos de pessoas.

Grupo A recebe o novo tratamento.
Grupo B recebe o cuidado padrão.

Você consegue ver o que aconteceu com o Grupo A e o que aconteceu com o Grupo B. Mas você não consegue ver o "gêmeo secreto" de cada pessoa. Você não sabe o que teria acontecido com uma pessoa específica do Grupo A se ela estivesse no Grupo B.

Na estatística, chamamos isso de Distribuição Conjunta. É uma grade gigante (ou matriz) mostrando todas as combinações possíveis de desfechos.

Canto Superior Esquerdo: Pessoas que seriam "Terríveis" com o tratamento E "Terríveis" com o controle.
Canto Inferior Direito: Pessoas que seriam "Excelentes" com o tratamento E "Excelentes" com o controle.
A Diagonal: Pessoas que seriam "Regulares" em ambos os mundos.

O Problema: Só conseguimos ver as margens desta grade (os totais para o Grupo A e os totais para o Grupo B). O interior da grade é uma caixa preta. Não sabemos como as linhas e colunas se alinham.

2. O Palpite do "Pior Caso" (Limites Livres de Modelo)

Como não podemos ver o interior da caixa, os estatísticos geralmente desenham uma "cerca de segurança" ao redor da verdade. Eles calculam a faixa mais ampla possível onde a verdade poderia se esconder, assumindo que qualquer coisa poderia estar acontecendo dentro da caixa.

O artigo mostra que essas cercas de segurança são frequentemente enormes. É como tentar adivinhar a temperatura dentro de uma casa olhando apenas para o lado de fora. Você pode dizer: "Está entre -20°F e 100°F". Isso é tecnicamente verdade, mas não ajuda você a decidir se deve usar um casaco.

3. A "Suposição Mágica" (Independência)

Para tornar a cerca mais estreita, os pesquisadores costumam tentar fazer um palpite sobre como o interior da caixa está organizado. Um palpite comum é a Independência.

A Analogia: Imagine embaralhar dois baralhos de cartas (um para o Tratamento, um para o Controle) e distribuí-los. Se os baralhos forem verdadeiramente independentes, tirar um "Rei" no baralho do Tratamento não tem nada a ver com tirar um "Rei" no baralho do Controle.

Se assumirmos que os baralhos são embaralhados de forma independente, podemos calcular um número muito mais estreito e útil. Por exemplo, podemos dizer: "Pelo menos 50% das pessoas melhoraram".

A Grande Descoberta do Artigo:
Os autores perguntaram: "É seguro usar essa matemática de 'baralho embaralhado' (independência) se acreditarmos que o tratamento é útil?"

Eles testaram isso contra as regras padrão de "Dependência Positiva" (a ideia de que, se você vai bem em um cenário, provavelmente irá bem no outro).

O Resultado: Eles descobriram que mesmo as regras fortes e padrão de "fazer bem juntos" NÃO são suficientes para garantir que a matemática do "baralho embaralhado" esteja correta.
A Metáfora: Imagine que você tem dois amigos, Alice e Bob. Você sabe que ambos são pessoas geralmente felizes (Dependência Positiva). Mas isso não significa que a felicidade deles seja perfeitamente sincronizada de uma forma que permita usar a matemática da "independência". Às vezes, a matemática diz "Alice é feliz 60% do tempo", mas a realidade é que ela é feliz 40% do tempo. O palpite da "independência" foi otimista demais.

4. A Nova Regra da "Cauda da Diagonal"

Como as regras antigas não funcionaram, os autores inventaram uma nova regra mais rigorosa chamada Dominância da Cauda Diagonal (DTD - Diagonal Tail Dominance).

A Analogia:
Imagine a grade de desfechos novamente. A "Diagonal" é onde uma pessoa obtém exatamente o mesmo ranking em ambos os mundos (ex: "Regular" em ambos).

A DTD diz: Se uma pessoa está em um ranking específico (digamos, "Regular") no mundo do Controle, ela deve ser estritamente melhor (ou pelo menos tão boa quanto) no mundo do Tratamento com mais frequência do que se os baralhos fossem apenas embaralhados aleatoriamente.

É uma condição muito específica e forte. É como dizer: "Se você está no degrau 3 da escada sem o remédio, o remédio garante que você tem mais chances de estar no degrau 4 ou superior do que se estivesse apenas chutando".

O Veredito:

Se esta nova regra for mantida, a matemática do "baralho embaralhado" é segura e fornece um limite inferior estreito e útil.
No entanto, os autores admitem que esta regra é muito forte. Pode não ser verdadeira em muitas situações do mundo real. É como exigir um alinhamento perfeito de estrelas para que uma previsão funcione.

5. O Compromisso "Local"

Como a regra "Global" (DTD) é rigorosa demais, os autores propuseram uma versão Local.

A Analogia:
Em vez de exigir que a regra funcione para cada degrau da escada, exigimos apenas que ela funcione para os degraus superiores (os melhores desfechos).

Talvez não possamos ter certeza se o remédio ajuda pessoas que estão "Terríveis" (Degrau 1).
Mas podemos ter uma razão razoável para acreditar que, se alguém é "Bom" (Degrau 4), o remédio a torna "Excelente" (Degrau 5) com mais frequência do que o acaso faria.

Ao aplicar a matemática apenas a essas "zonas seguras" (a cauda local), eles ainda conseguem obter uma resposta mais estreita e útil do que a enorme "cerca do pior caso", sem precisar da regra global impossível.

6. O Teste no Mundo Real (Ensaio de AVC)

Os autores testaram isso com dados reais de um ensaio de AVC.

O Jeito Antigo (Sem suposições): A resposta foi "Entre 15% e 79% das pessoas melhoraram". (Inútil).
O Jeito do "Baralho Embaralhado" (Assumindo Independência): A resposta foi "Pelo menos 48% melhoraram". (Melhor, mas arriscado se a suposição estiver errada).
O Novo Jeito "Local": Ao aplicar sua nova regra apenas aos melhores desfechos, eles encontraram um limite inferior seguro de 22%.

Isso é uma vitória. Não é tão alto quanto o palpite arriscado de "48%", mas é muito melhor do que o cenário do pior caso de "15%" que é inútil. Dá aos médicos um número concreto e defensável para dizer: "Estamos confiantes de que pelo menos 22% dos pacientes se beneficiaram".

Resumo

Este artigo é um alerta para estatísticos e um guia para pesquisadores:

Não confie nas regras padrão de "correlação positiva" para justificar o uso de matemática de independência simples para dados ordinais; elas frequentemente falham.
Precisamos de uma nova regra mais rigorosa (Dominância da Cauda Diagonal) para tornar essa matemática segura.
Se a regra estrita for difícil demais de acreditar, use uma versão "Local" que se aplica apenas aos melhores desfechos para obter uma resposta melhor do que o cenário do pior caso.

O artigo fornece as ferramentas matemáticas para desenhar uma cerca mais estreita e segura ao redor da verdade, desde que você esteja disposto a aceitar condições específicas e bem definidas sobre como o tratamento afeta as "caudas" (os extremos) da distribuição dos desfechos.

Resumo Técnico: Limitação de Efeitos Causais para Resultados Ordinais sob Dependência Positiva

Definição do Problema
A inferência causal para resultados ordinais apresenta um desafio único porque os efeitos médios de tratamento (ATE) padrão, definidos como $E\{Y(1) - Y(0)\}$ , são mal definidos quando a escala do resultado carece de distâncias métricas significativas. Embora estimandos alternativos baseados na distribuição conjunta de potenciais resultados, como $\tau = P\{Y(1) \ge Y(0)\}$ (a probabilidade de não piorar) e $\eta = P\{Y(1) > Y(0)\}$ (a probabilidade de beneficiar-se), sejam conceitualmente atraentes, eles são geralmente não identificáveis a partir de dados observacionais ou ensaios randomizados sem suposições sobre a distribuição conjunta. Os limites (bounds) existentes sem modelo, derivados puramente de distribuições marginais, são frequentemente amplos demais para serem praticamente informativos. Trabalhos anteriores sugeriram que assumir uma dependência positiva entre potenciais resultados poderia gerar limites inferiores baseados em independência mais estreitos; no entanto, as condições de dependência específicas necessárias para garantir a validade desses limites não foram rigorosamente estabelecidas.

Metodologia
Os autores empregam uma estrutura de potenciais resultados onde $(Y(0), Y(1))$ denota o par de potenciais resultados com uma distribuição conjunta $P$ e marginais conhecidas $P_0$ e $P_1$ . A metodologia procede através de três etapas principais:

Visualização Geométrica: O artigo utiliza representações matriciais coloridas da tabela de probabilidade conjunta para visualizar a relação entre os estimandos reais ( $\tau, \eta$ ) e seus limites sem modelo. Essa abordagem gráfica esclarece quais entradas da distribuição conjunta são capturadas pelos limites e destaca o "gap" causado pelas probabilidades off-diagonais não identificáveis.
Avaliação da Dependência Padrão: Os autores testam se noções padrão de dependência positiva — especificamente a Dependência de Quadrante Positivo (PQD) e a Dependência de Regressão Positiva (PRD) — são suficientes para justificar o uso de limites inferiores baseados em independência ( $\tau_I, \eta_I$ ). Por meio de contraexemplos numéricos, eles demonstram que mesmo formas fortes de PRD não garantem que $\tau_I \le \tau$ ou $\eta_I \le \eta$ .
Introdução de Novas Condições de Dependência: Para resolver a insuficiência das medidas de dependência padrão, os autores propõem uma nova condição denominada Dominância de Cauda Diagonal (DTD - Diagonal Tail Dominance). Eles definem:
- Open-tail DTD (Cauda Aberta): $P(Y(1) > j \mid Y(0) = j) \ge P(Y(1) > j)$ para todo $j$ .
- Closed-tail DTD (Cauda Fechada): $P(Y(1) \ge j \mid Y(0) = j) \ge P(Y(1) \ge j)$ para todo $j$ .
  Eles provam que a Open-tail DTD é suficiente para que $\eta_I$ seja um limite inferior válido para $\eta$ , e a Closed-tail DTD é suficiente para que $\tau_I$ seja um limite inferior válido para $\tau$ .
DTD Local e Limites Melhorados: Reconhecendo que a DTD global é uma suposição forte e potencialmente irrealista, os autores derivam versões "locais" dessas condições. Eles mostram que, se a DTD ocorrer apenas em um subconjunto do suporte (local DTD), é possível construir limites inferiores melhorados que são mais estreitos que os limites sem modelo, mas que não exigem a forte suposição global.

Principais Contribuições e Resultados

Refutação de Suposições Padrão: O artigo fornece contraexemplos demonstrando que a PQD e a PRD são insuficientes para justificar o uso de limites baseados em independência para efeitos causais ordinais. Isso corrige uma potencial concepção errônea na literatura quanto à validade desses limites sob dependência positiva geral.
Novas Condições Suficientes: Os autores introduzem a Dominância de Cauda Diagonal (DTD) como uma condição necessária e suficiente (no sentido de suficiência para os limites) para garantir que os limites baseados em independência sejam válidos. Eles esclarecem que a DTD é distinta de e não é implicada por medidas de correlação padrão, como o tau de Kendall ou a correlação de Spearman.
Limites Práticos via DTD Local: O artigo deriva limites inferiores melhorados (Equações 8 e 9) que exploram a DTD local. Esses limites permitem que pesquisadores utilizem suposições de independência em partes específicas da tabela de probabilidade onde a condição é plausível, resultando em intervalos mais estreitos que os limites sem modelo, sem exigir a forte suposição de DTD global.
Aplicação Empírica: A metodologia é aplicada a dados de um ensaio clínico sobre acidente vascular cerebral isquêmico agudo. A análise mostra que, enquanto os limites sem modelo para a proporção de pacientes que se beneficiam do tratamento ( $\eta$ ) são amplos (0,155 a 0,790), assumir independência resulta em um limite inferior muito mais nítido (0,486). Os autores argumentam que, embora a DTD global seja questionável para esses dados, a DTD local para níveis de resultado mais altos é plausível, levando a limites melhorados ( $\tilde{\eta} = 0,224$ ) que ainda são significativamente mais estreitos que o limite inferior sem modelo.

Significância e Alegações
O artigo afirma fornecer tanto insights teóricos quanto ferramentas práticas para a inferência causal com resultados ordinais. Sua principal significância reside em esclarecer a estrutura de dependência precisa necessária para estreitar os limites causais. Os autores enfatizam que, embora as noções de dependência "fraca" padrão sejam insuficientes, as condições de DTD propostas oferecem uma justificativa rigorosa para o uso de limites baseados em independência. No entanto, eles mantêm uma postura modesta, reconhecendo que a DTD é uma suposição forte que pode não ocorrer em muitos cenários e que não é testável apenas a partir dos dados. Consequentemente, o artigo defende o uso da DTD local como um compromisso mais plausível, oferecendo limites melhorados que são menos restritivos do que as suposções de independência global, mas ainda mais fortes do que os limites sem modelo. O trabalho também observa que essas técnicas se estendem naturalmente para resultados contínuos e podem ser adaptadas para cenários com confundidores, calculando limites específicos para cada covariável.