Subscribe to RSS
DOI: 10.1055/s-0031-1287843
Kausalität und Confounding in der Epidemiologie
Causality and Confounding in EpidemiologyPublication History
Publication Date:
22 December 2011 (online)
![](https://www.thieme-connect.de/media/gesu/201112/lookinside/thumbnails/10.1055-s-0031-1287843-1.jpg)
Zusammenfassung
Die Ursache eines Effekts innerhalb eines Individuums und einer Gruppe lässt sich theoretisch klar definieren. In der Praxis jedoch lassen sich die Anforderungen an diese Definition nicht sicher erfüllen: ein Individuum oder eine Gruppe von Individuen kann nicht zum selben Zeitpunkt exponiert und nicht-exponiert sein. Aus diesem Grund ist die Heranziehung einer Substitutspopulation erforderlich. Die Substitutspopulation soll beantworten, wie groß das Risiko des Outcomes gewesen wäre, wenn die exponierte Gruppe nicht exponiert gewesen wäre (oder vice versa). Sofern die Substitutspopulation diese Information nicht liefert, liegt nach der kontrafaktischen Definition Confounding vor. Die sogenannte Collapsibility-Definition eines Confounders leidet gleich unter 5 Limitationen, weswegen diese Definition nicht akzeptabel erscheint. Die klassische Theorie des Confoundings kann als ein Spezialfall von Directed Acyclic Graphs (DAGs) gesehen werden, bei dem neben der Exposition und dem Outcome von Interesse nur ein einziger weiterer Faktor möglicherweise ein Confounder sein könnte. Im Gegensatz zur klassischen und zur Collapsibility-Theorie des Confoundings sind DAGs in der Lage aufzuzeigen, unter welchen Bedingungen die Adjustierung für Kovariaten zu Bias führt. Außerdem verwenden DAGs auch Informationen zu Assoziationen zwischen Confoundern.
Abstract
In theory, a cause of an effect in an individual and a group can be defined. However, in empirical studies the requirements of this definition cannot be fulfilled with certainty: an individual or a group of people cannot be exposed and unexposed at the same point in time. Therefore, substitute populations are used to answer what the risk of an outcome would have been, if the actually exposed group would not have been exposed (or vice versa). If the substitute population is not able to deliver this information, confounding is present according to the counterfactual definition. The so-called collapsibility definition of confounders suffers from five limitations and therefore does not appear to be acceptable. The classical theory of confounders is a special case of directed acyclic graphs (DAGs), where only one extraneous variable might be a potential confounder. In contrast to previous theories on confounding, DAGs are able to show when adjustment for covariates produces bias. Furthermore, DAGs are able to use also information on relations among confounders.
-
Literatur
- 1 Greenland S, Pearl J, Robins JM. Causal diagrams for epidemiologic research. Epidemiology 1999; 10: 37-48
- 2 Rothman KJ. Causes. Am J Epidemiol 1976; 104 (06) 587-592
- 3 Greenland S, Rothman KJ, Lash TL. Measures of effect and measures of association. In: Rothman KJ, Greenland S, Lash TL. eds. Modern Epidemiology. 3 ed. Philadelphia: Wolters Kluwer, Lippincott Williams & Wilkins; 2008: 51-70
- 4 Little RJ, Rubin DB. Causal effects in clinical and epidemiological studies via potential outcomes: concepts and analytical approaches. Annu Rev Public Health 2000; 21: 121-45
- 5 Pearl J. An Introduction to causal inference. Int J Biostat 2010; 6 Article 7. http://view.ncbi.nlm.nih.gov/pubmed/20305706 [Stand: 10.5.2011]
- 6 Maldonado G, Greenland S. Estimating causal effects. Int J Epidemiol 2002; 31 (02) 422-429
- 7 Greenland S, Robins JM. Identifiability, exchangeability, and epidemiological confounding. Int J Epidemiol 1986; 15 (03) 413-419
- 8 Miettinen OS, Cook EF. Confounding: essence and detection. Am J Epidemiol 1981; 114 (04) 593-603
- 9 Rothman KJ, Greenland S, Lash TL. Validity in epidemiologic studies. In: Rothman KJ, Greenland S, Lash TL. eds. Modern Epidemiology. 3 ed. Philadelphia: Wolters Kluwer, Lippincott Williams & Wilkins; 2008: 128-147
- 10 Pearce N. Epidemiology in a changing world: variation, causation and ubiquitous risk factors. Int J Epidemiol 2011; 40 (02) 503-512
- 11 Kupper LL, Karon JM, Kleinbaum DG et al. Matching in epidemiologic studies: validity and efficiency considerations. Biometrics 1981; 37 (02) 271-291
- 12 Yanagawa YT. Case-control studies: assessing the effect of a confounding factor. Biometrika 1984; 71: 191-194
- 13 Boivin JF, Wacholder S. Conditions for confounding of the risk ratio and of the odds ratio. Am J Epidemiol 1985; 121 (01) 152-158
- 14 Newman SC. Commonalities in the classical, collapsibility and counterfactual concepts of confounding. J Clin Epidemiol 2004; l 57 (04) 325-329
- 15 Greenland S, Robins JM. Identifiability, exchangeability and confounding revisited. Epidemiol Perspect In nov 2009; 6: 4
- 16 Hernán MA, Hernández-Díaz S, Robins JM. A structural approach to selection bias. Epidemiology 2004; 15 (05) 615-625
- 17 Hernan MA, Cole SR. Invited commentary: Causal diagrams and measurement bias. Am J Epidemiol 2009; 170 (08) 959-962
- 18 Rothman KJ, Greenland S, Lash TL. Modern Epidemiology. Philadelphia, USA: Lippincott Williams and Wilkins; 2008
- 19 Schipf S, Knüppel S, Hardt J et al. Directed Acyclic Graphs (DAGs) – Die Anwendung kausaler Graphen in der Epidemiologie. Gesundheitswesen. 2011 73. 888-892