Regresión y Correlación Múltiple: Confusión y colinearidad. Bioestadística Regresión y Correlación Múltiple: Confusión y colinearidad.
Sesgo de confusión. Implica la posibilidad de que la asociación observada entre dos variables (una independiente y otra dependiente) sea explicada, totalmente o en parte, mediante una distribución desigual entre los grupos de estudio de otros factores diferentes a la exposición de interés que también influyen en la variable dependiente. El sesgo que introduce un factor de confusión puede sobreestimar, subestimar y aún cambiar la dirección en la estimación de la asociación a evaluar.
Sesgo de confusión. Implica la posibilidad de que la asociación observada entre dos variables (una independiente y otra dependiente) sea explicada, totalmente o en parte, mediante una distribución desigual entre los grupos de estudio de otros factores diferentes a la exposición de interés que también influyen en la variable dependiente. El sesgo que introduce un factor de confusión puede sobreestimar, subestimar y aún cambiar la dirección en la estimación de la asociación a evaluar.
Sesgo de confusión. De manera intuitiva, la confusión debe ser entendida como una mezcla del efecto de la variable independiente en estudio con otra variable independiente (factor de confusión) que influye en la variable dependiente. Este tercer factor, o factor de confusión, debe estar asociado con la exposición en estudio y modificar la variable a predecir, independientemente de la variable predictora en estudio.
Sesgo de confusión. De manera intuitiva, la confusión debe ser entendida como una mezcla del efecto de la variable independiente en estudio con otra variable independiente (factor de confusión) que influye en la variable dependiente. Este tercer factor, o factor de confusión, debe estar asociado con la exposición en estudio y modificar la variable a predecir, independientemente de la variable predictora en estudio.
Sesgo de confusión. Tres condiciones son necesarias para que un factor sea considerado de confusión: El factor debe de estar asociado con la variable dependiente, aún en ausencia de la variable independiente en estudio. El factor debe estar asociado con la variable independiente en la población base. El potencial factor no debe ser un eslabón intermedio de la cadena causal entre la variable independiente de interés y la variable dependiente. Para evaluar esto es necesario información externa al estudio.
Sesgo de confusión. Tres condiciones son necesarias para que un factor sea considerado de confusión: El factor debe de estar asociado con la variable dependiente, aún en ausencia de la variable independiente en estudio. El factor debe estar asociado con la variable independiente en la población base. El potencial factor no debe ser un eslabón intermedio de la cadena causal entre la variable independiente de interés y la variable dependiente. Para evaluar esto es necesario información externa al estudio.
Sesgo de confusión. Tres condiciones son necesarias para que un factor sea considerado de confusión: El factor debe de estar asociado con la variable dependiente, aún en ausencia de la variable independiente en estudio. El factor debe estar asociado con la variable independiente en la población base. El potencial factor no debe ser un eslabón intermedio de la cadena causal entre la variable independiente de interés y la variable dependiente. Para evaluar esto es necesario información externa al estudio.
Sesgo de confusión. Tres condiciones son necesarias para que un factor sea considerado de confusión: El factor debe de estar asociado con la variable dependiente, aún en ausencia de la variable independiente en estudio. El factor debe estar asociado con la variable independiente en la población base. El potencial factor no debe ser un eslabón intermedio de la cadena causal entre la variable independiente de interés y la variable dependiente. Para evaluar esto es necesario información externa al estudio.
Variable independiente Sesgo de confusión. Hipótesis Variable independiente Variable dependiente Covariable Factor de confusión
Variable independiente Sesgo de confusión. Hipótesis Variable independiente Variable dependiente Covariable Factor de confusión
Variable independiente Sesgo de confusión. Hipótesis Variable independiente Variable dependiente Covariable Factor de confusión
Variable independiente Sesgo de confusión. Hipótesis Variable independiente Variable dependiente Covariable Factor de confusión
Variable independiente El factor no confunde. Hipótesis Variable independiente Variable dependiente Covariable No confunde
Variable independiente Sesgo de confusión. Hipótesis Variable independiente Variable dependiente Covariable No confunde
Variable independiente El factor no confunde. Hipótesis Variable independiente Variable dependiente Covariable No confunde
Variable independiente Sesgo de confusión. Hipótesis Variable independiente Variable dependiente Covariable No confunde
Variable independiente El factor no confunde. Hipótesis Variable independiente Variable dependiente Covariable No confunde
Evaluación de la confusión. Para evaluar si hay confusión comparamos dos modelos, uno que incluye la variable que consideramos confunde y otro sin la variable. Si al ajustar se observa una variación sustantiva, y si el conocimiento del investigador sobre el tema hace suponer que es preferible la estimación ajustada, entonces hay que ajustar, aunque no exista asociación significativa entre la exposición o el evento de estudio. Si el ajuste no modifica sustancialmente la estimación hay que ignorarla sin importar que el potencial factor de confusión esté asociado "significativamente" con la variable dependiente.
Evaluación de la confusión. Para evaluar si hay confusión comparamos dos modelos, uno que incluye la variable que consideramos confunde y otro sin la variable. Si al ajustar se observa una variación sustantiva, y si el conocimiento del investigador sobre el tema hace suponer que es preferible la estimación ajustada, entonces hay que ajustar, aunque no exista asociación significativa entre la exposición o el evento de estudio. Si el ajuste no modifica sustancialmente la estimación hay que ignorarla sin importar que el potencial factor de confusión esté asociado "significativamente" con la variable dependiente.
Evaluación de la confusión. Para evaluar si hay confusión comparamos dos modelos, uno que incluye la variable que consideramos confunde y otro sin la variable. Si al ajustar se observa una variación sustantiva, y si el conocimiento del investigador sobre el tema hace suponer que es preferible la estimación ajustada, entonces hay que ajustar, aunque no exista asociación significativa entre la exposición o el evento de estudio. Si el ajuste no modifica sustancialmente la estimación hay que ignorarla sin importar que el potencial factor de confusión esté asociado "significativamente" con la variable dependiente.
Registro: datos en hoja RM5. X1 X2 X3 Y 1 35 61 0.242 … 2 50 33 0.690 42 77 56 1.153 3 78 0.467 43 25 83 0.815 4 39 63 0.523 44 41 90 0.583 5 57 84 1.066 45 66 29 0.529 6 88 0.768 46 0.347 7 100 1.287 47 0.287 8 96 71 1.208 48 89 58 0.943 49 52 0.821 “X1” es una variable cualitativa independiente. “X2” y “X3” son variables cuantitativas independientes. “Y” es la variable dependiente cuantitativa.
Evaluación de la confusión. Variable Coeficiente p X1 0.219 Constante Variable Coeficiente p X1 0.288 X2 0.006 Constante Variable Coeficiente p X1 0.005 Constante
Evaluación de la confusión. Variable Coeficiente p X1 0.219 < 0.01 Constante Variable Coeficiente p X1 0.288 < 0.01 X2 0.006 Constante Variable Coeficiente p X2 0.005 < 0.01 Constante
Evaluación de la confusión. Variable Coeficiente p X1 0.219 0.01 Constante Variable Coeficiente p X1 0.180 0.02 X3 0.002 0.38 Constante Variable Coeficiente p X3 0.005 0.01 Constante
Evaluación de la confusión. Variable Coeficiente p X2 0.005 0.01 Constante Variable Coeficiente p X2 0.005 < 0.01 X3 0.006 Constante Variable Coeficiente p X3 0.005 0.01 Constante
Evaluación de la confusión. Variable Coeficiente p X1 0.265 < 0.01 X2 0.006 X3 0.001 0.45 Constante
Asociación entre covariables. X1 Media de X2 p 71.12 1 60.50 0.10 X1 Media de X3 p 52.64 1 70.54 < 0.01 Asociación entre X2 y X3 p r 0.004 0.67 r2 0.000
Registro: datos en hoja RM6. cm pulg peso 1 181 71.26 81.30 7 155 61.02 55.77 2 183 72.05 84.14 8 175 68.9 77.58 3 159 62.6 60.28 9 162 63.78 67.17 4 157 61.81 58.62 10 177 69.69 79.20 5 152 59.84 50.93 11 158 62.2 63.68 6 160 62.99 62.90 12 151 59.45 50.96 “cm” y “pulg” son variables cuantitativas independientes. “peso” es la variable dependiente cuantitativa.
Colinearidad entre cm y pulg. Asociación entre cm y pulg p r 1.00 < 0.01 r2
Colinearidad. Variable Coeficiente p cm 1.009 < 0.01 Constante -.99.542 Variable Coeficiente p cm 82.392 0.49 pulg -206.632 Constante -104.842 Variable Coeficiente p pulg 2.561 < 0.01 Constante -99.473