Estrategias de modelado de resultados en epidemiología: métodos tradicionales y alternativas básicas

Controlar demasiados posibles factores de confusión puede llevar a o agravar problemas de escasez de datos o multicolinealidad, particularmente cuando el número de covariables es grande en relación con el tamaño del estudio. Como resultado, a menudo se utilizan métodos para reducir el número de covariables modeladas. Revisamos varias estrategias de modelado tradicionales, incluyendo la regresión escalonada y el enfoque de 'cambio en la estimación' (CIE) para decidir qué posibles factores de confusión incluir en un modelo de regresión de resultados para estimar los efectos de una exposición específica. Discutimos sus deficiencias y luego proporcionamos algunas alternativas básicas y refinamientos que no requieren macros especiales o programación. A lo largo del texto, asumimos que el objetivo principal es derivar las estimaciones de efecto más precisas que se puedan obtener de los datos y el software comercial. Permitiendo que la mayoría de los usuarios deben permanecer dentro de paquetes de software estándar, este objetivo puede ser aproximadamente estimado utilizando métodos básicos para evaluar, y por lo tanto minimizar, el error cuadrático medio (MSE).