Causal Mediation Analysis for an Interrupted Time Series: Stabilized Mediator Weighting with an Application to a Vehicle Emissions Policy

Os formuladores de políticas frequentemente introduzem mudanças abrangentes, como novas leis ou regulamentações ambientais, em uma data específica, esperando ver uma mudança clara na forma como as coisas funcionam. Para medir o sucesso dessas mudanças, os cientistas frequentemente observam uma única linha longa de pontos de dados coletados ao longo do tempo, como leituras diárias da qualidade do ar. Essa abordagem, conhecida como série temporal interrompida, é excelente para detectar a mudança total que ocorre após a implementação de uma política. No entanto, ela frequentemente deixa uma questão crucial sem resposta: a política funcionou alterando diretamente o resultado, ou funcionou primeiro alterando um fator intermediário que então influenciou o resultado? Por exemplo, se uma cidade proíbe um certo tipo de carro, o ar fica mais limpo porque há menos carros, ou porque os carros restantes estão dirigindo menos? Desvendar esses dois caminhos — a rota direta e a rota indireta através de um passo intermediário — é difícil quando os dados vêm de apenas um lugar e um fluxo contínuo de tempo, em vez de muitos grupos separados de pessoas.

Uma equipe de estatísticos da Universidade de Manitoba desenvolveu uma nova maneira de resolver esse quebra-cabeça. Eles criaram um método que pode separar o efeito total de uma política em suas partes direta e indireta, mesmo trabalhando com um único registro contínuo de dados diários. A abordagem deles foi testada primeiro em simulações de computador projetadas para imitar padrões diários do mundo real, onde descobriram que métodos mais antigos e simples produziam resultados enganosos quando fatores ocultos influenciavam os dados. Eles então aplicaram sua nova técnica a um evento do mundo real: o fim do programa de testes de emissões veiculares "Drive Clean" de Ontário em 2019. Ao analisar dados diários da qualidade do ar de quatro regiões de Toronto, descobriram que o fim do programa de testes levou a uma queda mensurável no ozônio ao nível do solo, mas o caminho para essa queda foi mais complexo do que uma simples cadeia de causa e efeito.

Os pesquisadores focaram em uma mudança de política específica: a terminação dos testes obrigatórios de emissões veiculares para veículos leves em Ontário em de 1º de abril de 2019. Antes dessa data, os carros tinham que passar por verificações regulares para garantir que não estavam poluindo demais. Após o fim do programa, os pesquisadores queriam saber como essa decisão afetou o ozônio ao nível do solo, um componente prejudicial do smog. Eles suspeitavam que o efeito poderia viajar através do dióxido de nitrogênio, um gás emitido por veículos que está intimamente ligado à formação de ozônio. Em muitas áreas urbanas, a relação entre esses dois poluentes é contraintuitiva; às vezes, uma queda no dióxido de nitrogênio pode de fato levar a um aumento no ozônio, enquanto em outros casos, leva a uma queda. Essa complexidade torna difícil dizer se uma mudança no ozônio é um resultado direto da política ou um efeito colateral de mudanças no dióxido de nitrogênio.

Para entender isso, a equipe teve que superar um grande obstáculo estatístico. Métodos padrão para analisar esses dados frequentemente assumem que os pontos de dados são independentes, como jogar uma moeda muitas vezes. Mas os dados diários da qualidade do ar não são independentes; a qualidade do ar na terça-feira é fortemente influenciada pelo clima e pelos níveis de poluição de segunda-feira. Além disso, a mudança de política aconteceu em uma data fixa, o que é uma certeza, não um evento aleatório. Os pesquisadores perceberam que as ferramentas existentes para separar efeitos diretos e indiretos foram construídas para estudos com muitas pessoas ou grupos diferentes, não para uma única linha do tempo contínua. Eles adaptaram uma técnica chamada "ponderação de mediador estabilizado". Em termos simples, este método cria uma população virtual onde a ligação entre o fator intermediário (dióxido de nitrogênio) e o resultado final (ozônio) não é distorcida por outras condições climáticas variáveis. Ao ajustar os dados para contabilizar essas influências ocultas, eles puderam isolar o verdadeiro efeito da política.

Eles também tiveram que considerar um segundo grande evento que ocorreu mais tarde: o início da pandemia em março de 2020, que alterou drasticamente os padrões de tráfego e emissões. Para garantir que estavam medindo o efeito do programa de testes de emissões e não o da pandemia, eles trataram o início da pandemia como uma segunda interrupção em sua linha do tempo. Eles testaram seu novo método extensivamente usando simulações de computador que geraram milhares de dias de dados falsos com padrões conhecidos. Nesses testes, descobriram que os métodos antigos, não ponderados, falhavam drasticamente quando fatores ocultos estavam presentes, muitas vezes perdendo o efeito indireto inteiramente ou errando a direção do efeito. Seu novo método, que utilizou a abordagem ponderada, recuperou com sucesso os efeitos reais nas simulações, reduzindo significamente os erros e fornecendo uma imagem muito mais confiável do que estava acontecendo.

Quando aplicaram esse método refinado aos dados reais de Toronto, os resultados revelaram uma história matizada. A análise cobriu quatro regiões distintas da cidade: Downtown, East, West e North. Os pesquisadores descobriram que o fim do programa de testes de emissões foi associado a uma redução direta no ozônio ao nível do solo. Em todas as quatro regiões, o efeito direto foi uma queda de cerca de 2,1 partes por bilhão. Isso significa que a mudança de política em si, ou as condições ao redor dela, levou a um ar mais limpo diretamente, independentemente do que aconteceu com o dióxido de nitrogênio. Esse achado manteve-se verdadeiro mesmo quando olharam para os dados antes da pandemia começar, sugerindo que o resultado era robusto e não um artefato dos lockdowns.

No entanto, o caminho indireto contou uma história diferente. O efeito da política no ozônio que viajou através do dióxido de nitrogênio não foi consistente em toda a cidade. Em três das quatro regiões, o efeito indireto foi positivo, o que significa que as mudanças no dióxido de nitrogênio na verdade elevaram os níveis de ozônio. Mas no núcleo denso de Downtown, o efeito indireto foi negativo, puxando os níveis de ozônio para baixo. Quando os pesquisadores combinaram esses resultados regionais, os efeitos indiretos positivos e negativos se cancelaram em grande parte, resultando em um efeito indireto total próximo de zero e não estatisticamente significativo. Isso destaca um ponto crítico: se os pesquisadores tivessem olhado apenas para a mudança total sem separar os caminhos diretos e indiretos, poderiam ter perdido a redução direta e consistente no ozônio e as forças opostas e complexas em atuação nos diferentes bairros.

O estudo conclui que o novo método fornece uma ferramenta poderosa para entender como as políticas funcionam no mundo real. Ao separar o impacto direto de uma intervenção do impacto indireto que flui através de etapas intermediárias, os cientistas podem obter uma visão mais clara de causa e efeito. No caso do programa Drive Clean de Ontário, a evidência sugere que a terminação dos testes levou a uma melhoria direta nos níveis de ozônio, um achado que se alinha com o que os cientistas atmosféricos têm observado sobre como o ozônio se comporta em cidades movimentadas. A pesquisa também demonstra que confiar em métodos simples e não ajustados pode levar a conclusões incorretas, especialmente ao lidar com dados ambientais complexos e interconectados. A capacidade de distinguir entre um efeito direto de uma política e uma cadeia de reações indiretas oferece uma maneira mais precisa de avaliar o verdadeiro impacto das regulamentações de saúde pública e ambientais.