📊 statistics

A Law of Iterated Expectation Primer for Causal Inference

Este artigo fornece um guia esclarecendo a relação entre a lei da expectativa iterada e a fórmula-g para inferência causal, apresentando as formas não iterativa e iterativa da fórmula e ilustrando sua aplicação por meio de exemplos numéricos progressivamente complexos.

Autores originais: Ashley I. Naimi, Razieh Nabi, Lindsay J. Collin, Paul N. Zivich, Stephen R. Cole

Publicado 2026-06-19

📖 7 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Ashley I. Naimi, Razieh Nabi, Lindsay J. Collin, Paul N. Zivich, Stephen R. Cole

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

A Visão Geral: Por Que Precisamos Disso?

Imagine que você quer saber se um medicamento específico (vamos chamá-lo de "Tamoxifeno") realmente previne o retorno do câncer de mama. Em um mundo perfeito, você poderia dar o medicamento a um grupo de pessoas e um comprimido de açúcar a outro grupo, e então comparar os resultados. Isso é um ensaio randomizado.

Mas, no mundo real, muitas vezes temos apenas dados observacionais. Não podemos forçar as pessoas a tomarem o medicamento; apenas observamos o que elas escolhem fazer. O problema é que as pessoas que escolhem o medicamento podem ser diferentes daquelas que não escolhem (talvez sejam mais doentes ou tenham genéticas diferentes). Essas diferenças são chamadas de confundidores (ou variáveis de confusão). Se não levarmos isso em conta, podemos culpar o medicamento por algo que foi, na verdade, causado pela saúde subjacente do paciente.

Este artigo é um "primer" (um guia introdutório) sobre como corrigir esse problema matemático. Ele explica uma ferramenta matemática específica chamada Lei da Expectativa Iterada e mostra como ela nos ajuda a transformar dados reais e bagunçados em uma resposta clara sobre causa e efeito.

O Conceito Central: A "Lei da Expectativa Iterada"

Pense nesta lei como uma forma de calcular uma média ponderada.

Imagine que você é o diretor de uma escola tentando encontrar a pontuação média de testes de toda a escola.

O Jeito Simples: Você apenas soma a pontuação de cada aluno e divide pelo número de alunos. Esta é a "expectativa marginal".
O Jeito "Iterado": Você percebe que a escola tem diferentes séries (1º ano, 2º ano, etc.). Você calcula a pontuação média dos alunos do 1º ano, depois a média do 2º ano, e assim por diante. Então, você combina essas médias por série, mas as pondera de acordo com quantos alunos há em cada série.

A Lei da Expectativa Iterada simplesmente diz: Você obtém o mesmo resultado final, quer tire a média de todos de uma vez, ou se tirar a média dos grupos primeiro e depois combinar os grupos.

No artigo, os autores explicam que esta identidade matemática é o motor por trás da fórmula-g (g-formula), uma ferramenta famosa usada para determinar efeitos causais.

Duas Maneiras de Dirigir o Mesmo Carro: NICE e ICE

O artigo apresenta duas maneiras diferentes de usar essa matemática para resolver o problema causal. Elas são matematicamente idênticas (dão exatamente o mesmo resultado), mas olham para os dados de forma diferente. Os autores as chamam de NICE e ICE.

1. NICE (Expectativa Condicional Não-Iterativa)

A Analogia: A abordagem do "Livro de Receitas".
Imagine que você quer saber a altura média de todas as pessoas em uma cidade, mas só tem dados de pessoas que usam chapéus vermelhos e chapéus azuis.

Como o NICE funciona: Você olha para o grupo dos "Chapéus Vermelhos" e calcula a altura média deles. Você olha para o grupo dos "Chapéus Azuis" e calcula a altura média deles. Depois, você olha para o censo da cidade para ver qual a porcentagem de pessoas que usam chapéus vermelhos versus chapéus azuis. Finalmente, você mistura essas duas médias usando as porcentagens do censo como pesos.
No artigo: Os autores explicam isso usando um exemplo simples de Tamoxifeno e linfonodos. Eles calculam a taxa de recorrência para diferentes grupos e depois "inserem" os números para obter uma média ponderada final.

2. ICE (Expectativa Condicional Iterativa)

A Analogia: A abordagem da "Máquina de Previsão".
Imagine que você é um meteorologista. Em vez de apenas tirar a média de dados passados, você constrói um modelo que prevê o tempo para cada dia, baseando-se nas condições daquele dia.

Como o ICE funciona: Você pega seus dados, passa pelo modelo e gera um "resultado previsto" para cada pessoa em seu conjunto de dados (como se todos tivessem tomado o medicamento). Então, você apenas tira a média de todas essas previsões.
No artigo: Os autores mostram que você pode fazer isso criando uma lista de previsões de "e se" para cada pessoa e, em seguida, tirando a média delas.

A Conclusão Principal: Quer você faça o "Livro de Receitas" (NICE) ou a "Máquina de Previsão" (ICE), você chegará ao mesmo número. O artigo prova que esses dois métodos são apenas duas formas diferentes de escrever a mesma frase matemática.

Tornando-se Mais Complexo: Tempo e Peças Móveis

O artigo não para em exemplos simples. Ele mostra como isso funciona quando as coisas ficam complicadas:

Mais Variáveis: E se você tiver idade, renda, raça e sexo todos misturados? O "Livro de Receitas" (NICE) torna-se muito difícil de escrever porque existem muitas combinações. A "Máquina de Previsão" (ICE) é muito mais fácil porque você deixa o computador lidar com a matemática.
Confundidores que Variam com o Tempo: Esta é a parte mais difícil. Imagine um cenário onde:
- Você toma um medicamento no Tempo 1.
- Esse medicamento altera sua saúde (um confundidor) no Tempo 2.
- Esse novo estado de saúde afeta se você tomará uma segunda dose do medicamento no Tempo 2.
- Finalmente, você observa o resultado no Tempo 3.
Neste cenário, a estatística padrão falha porque o "confundidor" (sua saúde) foi alterado pelo próprio tratamento. O artigo mostra que a fórmula-g (usando a Lei da Expectativa Iterada) é a única maneira de desatar esse nó. Ele faz isso trabalhando de trás para frente:
- Primeiro, prevê o resultado no final de tudo.
- Depois, trabalha de trás para frente para prever o que aconteceu no Tempo 2.
- Depois, trabalha de trás para frente para o Tempo 1.
- Finalmente, tira a média de tudo.
O artigo chama isso de "recursão reversa". É como resolver um labirinto começando pela saída e caminhando de volta até a entrada.

O Que os Autores Realmente Afirmam (e o Que Não Afirmam)

Eles AFIRMAM: A Lei da Expectativa Iterada é a fundação matemática que nos permite transformar "o que observamos" em "o que teria acontecido" (efeitos causais).
Eles AFIRMAM: Os métodos NICE e ICE são matematicamente equivalentes. Eles representam a mesma coisa, apenas escritos de forma diferente.
Eles AFIRMAM: Em situações simples (tempo fixo), ambos os métodos são fáceis. Em situações complexas (tempo variável), o método ICE (trabalhando de trás para frente) é frequentemente mais fácil de programar e mais robusto contra certos tipos de erros.
Eles NÃO afirmam: Que este artigo fornece novos resultados médicos, novas diretrizes clínicas ou conselhos específicos para médicos sobre como tratar pacientes. É puramente um guia sobre a matemática e a lógica de como analisar dados.
Eles NÃO afirmam: Que um método é "melhor" que o outro em um sentido geral; eles são apenas ferramentas diferentes para o mesmo trabalho. No entanto, eles observam que, se seus modelos matemáticos estiverem errados, ambos os métodos podem fornecer respostas erradas.

A Conclusão Final

Este artigo é um tradutor. Ele pega um conceito matemático muito denso e assustador (a Lei da Expectativa Iterada) e explica como ele atua como a ponte entre os dados brutos e a verdade causal. Ele mostra aos pesquisadores que, quer utilizem uma abordagem de "média ponderada" ou uma abordagem de "previsão passo a passo", eles estão usando a mesma lógica fundamental para responder à pergunta: "O que teria acontecido se tivéssemos feito algo diferente?"

Resumo Técnico: Um Guia Introdutório sobre a Lei da Expectativa Iterada para Inferência Causal

Definição do Problema
A g-fórmula é uma ferramenta fundamental para identificar efeitos causais em dados observacionais, baseando-se fortemente na lei da expectativa iterada (LIE). No entanto, a notação matemática usada para expressar a LIE e a g-fórmula — que frequentemente envolve integração em relação a medidas de probabilidade (ex: $dP(x)$) — pode ser opaca para pesquisadores com formação limitada em estatística matemática. Essa opacidade cria uma barreira para a compreensão da mecânica de estimadores causais amplamente utilizados, como a g-computação paramétrica. Além disso, há frequentemente uma confusão em relação à relação entre a identidade estatística da LIE e a identificação causal fornecida pela g-fórmula, bem como a distinção entre as duas formas não parametricamente equivalentes da g-fórmula: a expectativa condicional não iterativa (NICE) e a expectativa condicional iterativa (ICE).

Metodologia
Este artigo serve como um guia introdutório (primer) projetado para preencher a lacuna entre identidades matemáticas abstratas e a inferência causal prática. Os autores empregam uma abordagem pedagógica utilizando três exemplos numéricos progressivamente mais complexos para ilustrar a aplicação da LIE e da g-fórmula:

Exemplo de Tempo Fixo (Confundidor Binário): Usando dados sobre o uso de tamoxifeno e recorrência de câncer de mama, os autores demonstram a g-fórmula com um único confundidor binário. Eles calculam explicitamente a diferença de risco causal usando tanto a forma NICE (uma soma ponderada de médias condicionais) quanto a forma ICE (expectativas aninhadas), mostrando que ambas produzem resultados idênticos.
Exemplo de Tempo Fixo (Confundidores Mistos): Utilizando dados do NHANES para estimar o efeito da cessação do tabagismo na mudança de peso, os autores abordam um cenário com um vetor multivariado de confundidores (contínuos, binários e categóricos). Eles contrastam o esforço computacional da forma NICE (que exige estratificação e ponderação explícitas) com a simplicidade computacional da forma ICE (médias de previsões sobre a distribuição empírica).
Exemplo de Tempo Variável: Utilizando um conjunto de dados simulados com dois pontos no tempo, os autores abordam cenários onde a regressão padrão falha devido ao confundimento variante no tempo afetado pela exposição prévia. Eles demonstram como a LIE se estende a configurações sequenciais, derivando a g-fórmula para médias contrafatuais. Eles detalham a implementação de ambas as formas, NICE (que requer a modelagem da distribuição do confundidor para gerar pesos) e ICE (usando recursão para trás/regressão sequencial).

Ao longo desses exemplos, os autores baseiam-se em suposições padrão de identificação causal: consistência causal, positividade (e positividade sequencial) e intercambialidade condicional (e intercambialidade condicional sequencial).

Principais Contribuições

Clarificação de Notação: O artigo desmistifica a notação de integração ( $\int \cdot dP(x)$ ) usada na LIE, explicando-a como uma média ponderada onde os pesos são determinados pela distribuição de probabilidade das covariáveis. Ele distingue entre a identidade estatística da LIE e a g-fórmula causal, observando que esta última é derivada combinando a LIE com suposições de identificação causal que permitem que quantidades contrafatuais sejam substituídas por quantidades de dados observados.
Dupla Formulação da G-Fórmula: Os autores definem e demonstram explicitamente duas formas não parametricamente equivalentes da g-fórmula:
- NICE (Expectativa Condicional Não Iterativa): Uma única média ponderada de médias condicionais de desfecho. Em configurações de tempo variável, isso requer a modelagem da distribuição dos confundidores variantes no tempo para gerar os pesos.
- ICE (Expectativa Condicional Iterativa): Uma sequência de expectativas aninhadas. Em configurações de tempo variável, isso é implementado via recursão para trás (g-computação), regredindo desfechos em covariáveis e exposições em cada passo do tempo, movendo-se de trás para frente a partir do final do acompanhamento.
Equivalência Computacional vs. Matemática: O artigo esclarece que, embora NICE e ICE sejam matematicamente equivalentes (representando o mesmo estimando causal), elas diferem computacionalmente. Em configurações de tempo variável, a NICE exige a modelagem correta dos modelos de distribuição de confundidores, enquanto a ICE não exige, tornando a ICE robusta à especificação incorreta de modelos de confundidores (embora ambas exijam modelos de desfecho corretos).

Resultados
Através dos exemplos numéricos, os autores demonstram que:

Ambas as formulações NICE e ICE produzem estimativas idênticas de efeitos causais em configurações de tempo fixo (ex: $\hat{\psi} = -0,03$ no exemplo do tamoxifeno e $\hat{\psi} = 3,1$ kg no exemplo da cessação do tabagismo).
Em configurações de tempo variável, a abordagem ICE (via recursão para trás) evita a necessidade de modelar explicitamente a distribuição conjunta dos confundidores variantes no tempo, enquanto a abordagem NICE exige esses modelos para construir os pesos necessários.
A abordagem ICE, implementada como uma sequência de regressões, alinha-se naturalmente com a mecânica da g-computação longitudinal e da estimativa de máxima verossimilhança direcionada (TMLE).

Significância e Alegações
Os autores posicionam este trabalho como um "guia introdutório" destinado a construir intuição para pesquisadores aplicados. Eles alegam que uma compreensão sólida da LIE e de suas duas formas torna a mecânica dos estimadores causais transparente. O artigo argumenta que entender a LIE fornece uma "ponte conceitual" conectando a identificação causal à estimação prática.

Os autores afirmam modestamente que, embora NICE e ICE sejam implementações computacionais diferentes que podem produzir valores numéricos distintos em amostras finitas ou sob especificação incorreta de modelos, elas são representações não parametricamente equivalentes do mesmo funcional de dados observados. O artigo conclui que a familiaridade com a média ponderada estruturada e justificada por suposições das médias condicionais de desfecho — seja em forma iterativa ou não iterativa — capacita os pesquisadores a compreender, implementar e avaliar criticamente todo o espectro dos métodos-g em inferência causal. Os autores não propõem novos algoritmos ou aplicações futuras além do escopo de clarificar as metodologias existentes.