Esta herramienta examina variables candidatas para confusión con la lista clásica de tres preguntas. Un confusor es una variable asociada con la exposición, asociada con el resultado y no causada por la propia exposición (no está en la vía causal). Respondes esas tres preguntas por variable y la herramienta marca cada una: probable confusor (ajustar), mediador (en la vía: ajustar sin pensar puede borrar el mismo efecto que estudias), parcialmente asociado (revisar) o improbable. La confusión es la principal amenaza de los estudios observacionales: sin manejarla, un tratamiento puede parecer efectivo solo porque las personas más sanas lo recibieron.
Cómo usarla
- Lista cada variable candidata con tres respuestas sí/no.
- Responde con honestidad: ¿asociada con la exposición? ¿Con el resultado? ¿En la vía causal?
- Pulsa Marcar variables.
- Trata los probables confusores como candidatos a ajuste.
- Dibuja un diagrama causal para confirmar las marcas antes del análisis.
Ejemplo resuelto
Un estudio pregunta si beber café se relaciona con enfermedad cardíaca. La edad se asocia con hábitos de café y con riesgo cardíaco, y la edad no es causada por el café, así que se marca como probable confusor: hay que ajustar por ella. La presión arterial se asocia con ambos pero está en la vía (el café puede subir la presión, que sube el riesgo), así que se marca como mediador: ajustar por ella ocultaría parte del efecto del café. El color favorito no se asocia con ninguno y se marca como improbable. El tabaquismo, asociado con ambos y no causado por el café, se marca como confusor. Cuatro variables, cuatro tratamientos distintos, y la lista tomó un minuto.
Límites honestos
Una lista de verificación es un cribado, no una prueba causal. “Asociada con” es un juicio que necesita conocimiento del tema, y la misma variable puede ser confusor en un estudio y mediador en otro según el momento y la dirección. La herramienta no puede detectar confusión no medida en absoluto: si el verdadero confusor nunca se recolectó, ninguna lista lo encuentra, por eso importan los análisis de sensibilidad. Tampoco puede manejar colisionadores — variables causadas por exposición y resultado a la vez — donde ajustar crea sesgo en vez de eliminarlo. Para un análisis publicable, dibuja un grafo acíclico dirigido (DAG) con un experto en el tema y deja que el grafo, no solo la lista, decida el conjunto de ajuste.
Para quién es
Esta herramienta es para estudiantes que aprenden confusión, investigadores que planifican un análisis observacional y revisores que verifican si un artículo ajustó por las variables correctas. Úsala en la etapa de diseño, cuando el conjunto de ajuste aún puede elegirse libremente, y revísala tras la recolección cuando las asociaciones puedan verificarse empíricamente.
Para ir más allá
El error de ajuste más peligroso es el sobreajuste: controlar por un mediador, un colisionador o una variable medida después de la exposición puede sesgar los resultados más que dejar sin controlar un confusor real. Un buen hábito es escribir una frase por variable de ajuste que la justifique — “la edad precede tanto a los hábitos de café como al riesgo cardíaco y se relaciona con ambos” — y una frase por variable excluida que explique por qué queda fuera. Si no puedes escribir la justificación, la variable aún no pertenece al modelo. Pre-especifica el conjunto de ajuste en el protocolo; añadir variables después de ver cuáles cambian el resultado es una forma silenciosa de buscar resultados que los revisores detectan cada vez más. La lista inicia la conversación, pero la justificación escrita es lo que hace defendible el análisis. Una trampa relacionada es ajustar por variables medidas después de la exposición, como una puntuación de síntomas post-tratamiento. Tales variables pueden ser mediadores o colisionadores, y controlar por ellas puede fabricar sesgo donde no existía. La regla temporal es simple y potente: una variable de ajuste debería preceder a la exposición en el tiempo, o al menos estar claramente no afectada por ella. Cuando dudes sobre el momento, deja la variable fuera del modelo principal y muéstrala en un análisis de sensibilidad: los lectores verán ambas respuestas y juzgarán qué historia temporal creen.
Herramientas relacionadas
English version · Generador de Secuencias de Aleatorización · Herramientas gratis en español.
Inserta esta herramienta en tu web — gratis
Copia el código de abajo para añadir esta herramienta funcional a tu propia página. Solo pedimos que mantengas el pequeño enlace de crédito que la acompaña.
Pingback: Conversor de Tamaño del Efecto — d de Cohen, r y Odds Ratio Gratis