📊 estatística

Regression-Based Causal Inference for Person-Specific Effects in Within-Subject Randomization Designs

Este artigo propõe um framework de inferência causal baseado em regressão utilizando mínimos quadrados ordinários com indicadores de tratamento ponderados por probabilidade para estimar efeitos imediatos e de defasagem de nível 1 específicos por pessoa em delineamentos randomizados intra-sujeito, demonstrando sua robustez e aplicabilidade por meio de estudos de simulação e exemplos empíricos.

Autores originais: Chendong Li, Wen Luo

Publicado 2026-10-19

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Chendong Li, Wen Luo

Artigo original sob licença CC BY 4.0 (https://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

No mundo da pesquisa psicológica e comportamental, os cientistas há muito dependem de um método padrão para provar que um tratamento funciona: o ensaio controlado randomizado. Nesta configuração clássica, um grande grupo de pessoas é dividido em equipes separadas. Uma equipe recebe uma nova intervenção, como uma terapia específica ou um aplicativo de saúde, enquanto outra equipe recebe um tratamento diferente ou nada em absoluto. Ao comparar os resultados médios desses dois grupos, os pesquisadores podem determinar se o tratamento causou uma mudança. No entanto, essa abordagem possui um ponto cego significativo. Ela nos diz o que funciona em média para uma multidão, mas frequentemente falha em revelar o que funciona para um indivíduo específico. Um medicamento pode ajudar uma pessoa a se recuperar rapidamente enquanto não tem efeito sobre outra, mas o ensaio padrão simplesmente relataria a média, potencialmente mascarando essas diferenças vitais. Além disso, recrutar pessoas suficientes para esses grandes estudos é frequentemente difícil, e muitos ensaios lutam para encontrar participantes suficientes para alcançar uma conclusão confiável.

Para resolver isso, os pesquisadores recorreram a um tipo diferente de experimento onde a mesma pessoa serve como seu próprio controle. Em vez de comparar pessoas diferentes, os cientistas observam um único indivíduo repetidamente ao longo do tempo, alternando aleatoriamente as condições que ele experimenta. Isso é conhecido como um delineamento de randomização intra-sujeito. Imagine uma pessoa com uma condição crônica que experimenta uma nova terapia por alguns dias, depois muda para uma diferente, e depois volta novamente, com a ordem decidida pelo acaso. Isso permite que os pesquisadores vejam como aquela pessoa específica reage a cada tratamento em tempo real. O desafio, no entanto, tem sido entender como analisar esse fluxo complexo de dados. Como os tratamentos ocorrem em uma sequência, o resultado de um dia pode ser influenciado pelo tratamento do dia anterior, ou por uma tendência lenta no comportamento da pessoa ao longo do tempo. As ferramentas estatísticas tradicionais frequentemente têm dificuldade em desembaraçar esses efeitos imediatos dessas influências persistentes, deixando os pesquisadores com descrições do que aconteceu, mas sem uma prova causal clara de por que aconteceu.

Uma equipe de pesquisadores desenvolveu agora uma nova maneira de responder a essas perguntas usando uma ferramenta familiar: a análise de regressão, um método estatístico comum usado para encontrar relações entre variáveis. O trabalho deles, publicado em um artigo de pesquisa, cria uma ponte entre a lógica rigorosa do delineamento experimental e as ferramentas práticas que os psicólogos usam todos os dias. Os autores, Chendong Li e Wen Luo, propõem um framework que trata a alternância aleatória de tratamentos não apenas como um cronograma, mas como um padrão matemático conhecido que pode ser usado para isolar causa e efeito. Ao ajustar cuidadosamente os dados para levar em conta as probabilidades específicas de quando um tratamento foi atribuído, eles podem usar um modelo de regressão padrão para calcular dois tipos distintos de efeitos. O primeiro é o efeito imediato: o quanto um tratamento altera o comportamento de uma pessoa logo após ser administrado. O segundo é o efeito defasado (lagged effect): o quanto um tratamento do dia anterior continua a influenciar o comportamento de hoje.

Os pesquisadores testaram seu novo método através de duas simulações computacionais de grande escala, que atuam como laboratórios virtuais onde podem gerar milhares de conjuntos de dados falsos para ver como suas fórmulas performam sob diferentes condições. Na primeira simulação, eles modelaram um cenário com três opções de tratamento diferentes, uma configuração comum em estudos de saúde modernos. Eles descobriram que seu método poderia recuperar com precisão o efeito real de cada tratamento com muito pouco erro, mesmo quando os dados continham tendências complexas. A precisão melhorou à medida que o número de pontos de observação aumentava, sugerindo que o método é robusto para estudos com cronogramas mais longos. Na segunda simulação, eles enfrentaram um cenário mais difícil onde a randomização era restrita. Em muitos estudos do mundo real, os pesquisadores não podem permitir que uma pessoa receba o mesmo tratamento por muitos dias seguidos porque pode se tornar entediante ou impraticável. Essa restrição altera a matemática do experimento. As simulações mostraram que, sem um ajuste específico para essas regras, o método produziria resultados enviesados, particularmente para os efeitos defasados. No entanto, quando os pesquisadores adicionaram um ajuste de probabilidade ao seu modelo para levar em conta essas restrições, o viés desapareceu e as estimativas tornaram-se precisas novamente.

Para provar que o método funciona no mundo real, a equipe o aplicou a dois conjuntos de dados existentes. O primeiro veio de um estudo sobre atividade física chamado HeartSteps, onde um participante recebia sugestões aleatórias para caminhar ou evitar sentar. Usando seu novo framework, os pesquisadores calcularam que uma sugestão de caminhada levou a um aumento imediato de cerca de 129 passos nos 30 minutos seguintes, enquanto uma sugestão anti-sedentária levou a um aumento de cerca de 143 passos. Nenhum desses aumentos foi estatisticamente significativo por si só, o que significa que os dados não eram fortes o suficiente para descartar o acaso, mas o método produziu com sucesso números claros e interpretáveis. O segundo exemplo veio de um estudo de educação especial envolvendo uma criança com transtorno do espectro autista. A criança alternava entre um exercício cognitivo e uma atividade de controle. A análise revelou que o exercício cognitivo reduziu imediatamente os comportamentos problemáticos em quase 19 pontos percentuais em comparação ao controle. O método também verificou efeitos persistentes da sessão anterior, mas não encontrou evidências claras de que o tratamento anterior influenciou o comportamento do dia atual.

O estudo destaca que, embora o método seja poderoso, ele possui limites, particularmente quando a série de dados é muito curta. Nas simulações envolvendo randomização restrita, os pesquisadores descobriram que, com menos de 30 pontos de observação, os intervalos de confiança — a faixa de valores onde o efeito real provavelmente reside — eram às vezes muito estreitos, levando a um maior risco de falsos alarmes. Isso sugere que, embora o método seja um grande passo à frente para a análise de dados de nível individual, os pesquisadores devem ser cautelosos ao tirar conclusões fortes de estudos muito breves. Os autores enfatizam que sua abordagem não assume que os dados seguem um padrão linear perfeito; em vez disso, utiliza as regras conhecidas da randomização para extrair o sinal causal do ruído. Ao conectar o delineamento do experimento diretamente à análise de regressão, eles forneceram uma maneira para que os cientistas avancem além das médias simples e compreendam os efeitos únicos e específicos de cada pessoa. Este framework oferece um caminho para a medicina personalizada e a ciência comportamental, permitindo que os pesquisadores perguntem não apenas "isso funciona?", mas "isso funciona para esta pessoa, agora, e por quanto tempo?".

Resumo Técnico: Inferência Causal Baseada em Regressão para Efeitos Específicos por Pessoa em Desenhos de Randomização Intra-sujeito

Definição do Problema

Na pesquisa psicológica e comportamental, as intervenções frequentemente exibem efeitos heterogêneos, beneficiando alguns indivíduos enquanto têm pouco impacto em outros. Os ensaios clínicos randomizados (RCTs) tradicionais entre sujeitos lutam para estimar esses efeitos específicos por pessoa porque calculam as médias dos resultados entre os participantes, onde cada indivíduo recebe apenas uma condição. Embora os desenhos de randomização intra-sujeito (ex: Micro-Randomized Trials, ensaios N-of-1 e Desenhos de Tratamento Alternado Randomizado) ofereçam uma solução ao atribuir repetidamente condições ao mesmo nível ao longo do tempo, as abordagens analíticas atuais frequentemente dependem de resumos descritivos (ex: diferenças de médias, análise visual) ou testes estatísticos simples. Esses métodos frequentemente falham em separar rigorosamente os efeitos do tratamento de tendências temporais, dependência serial ou exposição prévia ao tratamento. Além disso, os frameworks de inferência causal existentes para esses desenhos, como o Pesagem de Probabilidade Inversa (IPW), podem ser computacionalmente complexos ou menos intuitivos para pesquisadores aplicados acostumados com ferramentas de regressão. Adicionalmente, estimadores padrão baseados em regressão desenvolvidos para tratamentos binários irrestritos não se aplicam diretamente a desenhos com múltiplos braços de tratamento ou esquemas de randomização restrita (ex: prevenir longas sequências da mesma condição), que são comuns na pesquisa comportamental.

Metodologia

Os autores desenvolvem um framework de inferência causal baseado em regressão fundamentado no framework de resultados potenciais. A inovação central é transformar os indicadores de tratamento com base nas probabilidades de atribuição conhecidas para estimar efeitos causais usando regressão de Mínimos Quadrados Ordinários (OLS), mantendo assim uma interpretação causal baseada no desenho sem exigir que o modelo de regressão seja o verdadeiro processo gerador de dados.

1. Estimandos Causais

O estudo define dois efeitos causais primários para desenhos intra-sujeito:

Efeito Imediato Médio ( $\bar{\Delta}^{(0)}$ ): A diferença esperada no resultado no tempo $t$ entre atribuir o tratamento versus o controle, calculada pela média sobre os históricos de tratamento anteriores.
Efeito de Lag-1 Médio ( $\bar{\Delta}^{(1)}$ ): A diferença esperada no resultado no tempo $t$ atribuível ao tratamento atribuído no tempo $t-1$ , mantendo o tratamento atual constante, calculada pela média sobre históricos e atribuições atuais.

2. Estratégia de Estimativa

O método envolve a construção de regressões OLS de "trabalho" onde os preditores são indicadores de tratamento transformados.

Desenhos Binários, Irrestritos: Os indicadores de tratamento ( $W_t$ ) são centralizados por sua probabilidade de atribuição ( $p_t$ ) e escalonados pela variância de atribuição ( $v_t = p_t(1-p_t)$ ). O preditor transformado é $\tilde{W}_t = (W_t - p_t) / v_t$ . O modelo de regressão é $Y_t = b_0\tilde{W}_t + b_1\tilde{W}_{t-1} + e_t$ . Os coeficientes são então reescalonados pelo inverso da variância média para recuperar os efeitos causais.
Extensão I: Intervenções de Múltiplos Braços: Para $J$ condições, o indicador escalar é substituído por um vetor de indicadores de tratamento. Estes são centralizados e escalonados usando o inverso da matriz de covariância de atribuição ( $\Sigma_t^{-1}$ ), que contabiliza a correlação negativa entre atribuições de tratamento mutuamente exclusivas. Os estimadores de regressão fornecem um vetor de efeitos imediatos e de lag-1 em relação a uma condição de referência.
Extensão II: Randomização Restrita: Em desenhos onde as probabilidades de atribuição dependem do histórico (ex: "não mais do que duas sessões consecutivas da mesma condição"), algumas atribuições tornam-se determinísticas ( $p_t = 0$ ou $1$). Os autores propõem uma regressão ajustada por probabilidade que inclui a probabilidade condicional $p_t$ (e potencialmente $p_{t-1}$ ) como uma covariável adicional para contabilizar a dependência criada pela restrição. Ocasiões determinísticas são codificadas como zero nos preditores transformados, mas mantidas na regressão para manter o tamanho da amostra, embora não contribuam para o contraste randomizado.

3. Inferência

A incerteza é estimada usando estimadores de covariância robustos. Os autores avaliam duas opções:

Newey–West HAC: Contabiliza heterocedasticidade e correlação serial.
HC3: Um estimador robusto à heterocedasticidade que apresenta bom desempenho em pequenas amostras com alto leverage.
Os erros padrão são reescalonados usando os mesmos fatores aplicados aos estimadores pontuais para relatar intervalos de confiança na escala do efeito causal.

Principais Contribuições

Extensão do Framework: O artigo estende o estimador de inferência causal baseado em regressão (anteriormente limitado a desenhos binários e irrestritos) para intervenções de múltiplos braços e esquemas de randomização restrita, que são prevalentes em estudos de caso único e micro-randomized trials.
Ajuste de Probabilidade: Introduz uma formulação de regressão específica para randomização restrita que inclui termos de probabilidade baseados no desenho ( $p_t$ ) como covariáveis. Este ajuste mostra-se necessário para eliminar o viés nos estimadores de efeito de lag-1 quando as probabilidades de atribuição são dependentes do histórico.
Integração de Ferramentas: A abordagem une a inferência causal baseada no desenho com as familiares ferramentas de regressão OLS, tornando a estimativa causal rigorosa mais acessível para pesquisadores aplicados sem exigir a construção de complexos resultados ponderados.

Resultados de Simulação

Dois estudos de Monte Carlo avaliaram os estimadores propostos:

Simulação I (Múltiplos Braços): Em um desenho de três condições, o estimador proposto demonstrou pequeno viés tanto para efeitos imediatos quanto de lag-1 na maioria das condições. O viés foi ligeiramente maior em séries curtas, mas diminuiu conforme o número de pontos temporais ( $T$ ) aumentava. O desempenho da inferência (cobertura e erro do Tipo I) melhorou com séries mais longas; no entanto, os erros padrão HAC tenderam a subestimar a cobertura em séries curtas, enquanto o HC3 foi mais conservador.
Simulação II (Randomização Restrita):
- Viés: O estimador não ajustado pela probabilidade mostrou um viés negativo substancial para efeitos de lag-1. Em contraste, o estimador ajustado pela probabilidade recuperou tanto os efeitos imediatos quanto os de lag-1 com viés desprezível.
- Inferência: Embora os estimadores pontuais tenham sido não enviesados, a inferência continuou sendo um desafio em séries curtas. Os erros padrão HAC resultaram em subcobertura e taxas infladas de erro do Tipo I, particularmente para efeitos de lag-1. Os erros padrão HC3 controlaram melhor o erro do Tipo I, mas foram conservadores (menor poder).

Demonstrações Empíricas

Os autores aplicaram os métodos a dois conjuntos de dados do mundo real:

HeartSteps (Micro-Randomized Trial): Analisou dados de um participante para estimar os efeitos imediato e de lag-1 de sugestões de caminhada versus sugestões anti-sedentárias sobre a contagem de passos. Os resultados forneceram estimativas interpretáveis de aumento de passos, embora os intervalos de confiança fossem amplos e incluíssem o zero.
Desenho de Tratamento Alternado Restrito (Educação Especial): Analisou dados de uma criança com transtorno do espectro autista comparando um exercício cognitivo a um controle. O estimador ajustado pela probabilidade indicou uma redução imediata significativa no comportamento problemático para a condição de tratamento, mas não encontrou evidências claras de um efeito de lag-1 (residual).

Significância e Alegações

O artigo afirma fornecer um framework metodologicamente rigoroso, porém praticante, para estimar efeitos causais específicos por pessoa em desenhos de randomização intra-sujeito. Ao conectar ferramentas de regressão familiares com a lógica de desenho causal, os autores argumentam que é possível isolar efeitos de tratamento de tendências temporais e dependência serial sem depender de suposições fortes sobre o processo gerador de dados.

Os autores reconhecem modestamente as limitações:

Inferência em Séries Curtas: A inferência em séries restritas curtas continua sendo difícil, com potencial subcobertura de intervalos de confiança e taxas infladas de erro do Tipo I, particularmente para efeitos de lag-1.
Dados Ausentes: O framework atual assume dados completos; trabalhos futuros são necessários para integrar estratégias de dados ausentes.
Lacunas Teóricas: A teoria assintótica para desenhos de randomização restrita ainda está subdesenvolvida, e a consistência do estimador ajustado pela probabilidade sob todas as condições restritas requer maior derivação teórica.
Foco em Unidade Única: O framework atual analisa um nível de cada vez; estender este método para estimar a heterogeneidade entre múltiplas unidades é uma direção para pesquisas futuras.

O estudo conclui que, embora os estimadores propostos reduzam o viés de forma eficaz, os pesquisadores devem interpretar os resultados de inferência em desenhos restritos e curtos com cautela, especialmente ao examinar efeitos defasados (lagged effects).