Grafos Acíclicos Dirigidos, Modificação de Medidas de Efeito e Generalizabilidade

Os grafos acíclicos dirigidos (DAGs) tiveram um grande impacto no campo da epidemiologia ao fornecer regras gráficas diretas para determinar quando as estimativas são esperadas para carecer de validade interna interpretável causalmente. No entanto, foi dada muita menos atenção ao que os DAGs podem dizer aos pesquisadores sobre a modificação de medidas de efeito e a validade externa. Neste trabalho, descrevemos 2 regras baseadas em DAGs relacionadas à modificação de medidas de efeito. A Regra 1 afirma que, se uma variável, P, é condicionalmente independente de um desfecho, Y, dentro dos níveis de um tratamento, X, então P não é um modificador de medida de efeito para o efeito de X sobre Y em nenhuma escala. A Regra 2 afirma que, se P não é condicionalmente independente de Y dentro dos níveis de X, e existem caminhos causais abertos de X para Y dentro dos níveis de P, então P é um modificador de medida de efeito para o efeito de X sobre Y em pelo menos 1 escala (dado que não haja cancelamento exato de associações). Em seguida, mostramos como a Regra 1 pode ser usada para identificar conjuntos de ajuste suficientes para generalizar ensaios aninhados que estudam o efeito de X sobre Y para a população total fonte ou para aqueles que não participaram do ensaio.