Análise de mediação : uma introdução

Abstract

O campo da ciência dedicado ao estudo de como a relação entre duas variáveis pode ser explicada através de uma terceira é chamado de análise de mediação. A análise de mediação teve seu início em estudos na área da psicologia, gerando a expressão “Estímulo-Organismo-Resposta” com o propósito de detalhar a relação causal entre estímulo e resposta, considerando o organismo como o mediador desta relação. Assim, com a popularização desse conceito, houve a expansão para diversas áreas, como a epidemiologia, economia e ciências sociais. Uma das grandes contribuições para a área deu-se através do trabalho de Baron e Kenny (1986) com o método da Diferença e o Produto dos Coeficientes, que baseiam-se em estimativas determinadas por de regressão linear. Outro importante estudo é advindo do campo da inferência causal através do trabalho de Rubin (1974), utilizando a modelagem de desfechos potenciais, que possui mais flexibilidade de análise. O objetivo deste trabalho é a introdução dos conceitos de causalidade por meio da análise de mediação e trazer uma comparação de métodos utilizando dados epidemiológicos. São apresentadas as definições para o método da Diferença e Produto dos Coeficientes, além da metodologia contrafactual através de desfechos potenciais – generalizando para cenários não-lineares e com interação. A aplicação e comparação dos métodos é dada através do estudo Child Health and Development Studies (CHDS), que investigou gestações de usuárias de um plano de saúde, com o objetivo de determinar se o hábito de fumar durante a gravidez impacta no peso do bebê. Uma das motivações para utilizar esse estudo dentro da análise de mediação é entender se o hábito de fumar impacta no tempo gestacional, e consequentemente no baixo peso do recém-nascido. Para ter a possibilidade de ilustrar os métodos com variáveis binárias, recategorizou-se o desfecho considerando se houve um nascimento de baixo peso (< 2500 gramas) e o mediador considerando se houve parto prematuro (< 259 dias), além de modelos com e sem interação exposição-mediador. A estimação dos efeitos causais sem interação dos dois métodos coincide quando os modelos são lineares ou logísticos; quando há interação, o método do Produto dos Coeficientes fornece estimativas viesadas e sem interpretabilidade causal, e para esses casos a abordagem de Desfechos Potenciais é sugerida.

The field of science dedicated to the study of how the relationship between two variables can be explained through a third is called mediation analysis. Mediation analysis began in psychology studies, creating the expression “ Stimulus-Organism- Response ” in order to detail the causal relationship between stimulus and response, considering the organism as the mediator of this relationship. Thus, with the popularization of this concept, it expanded to several areas, such as epidemiology, economics and social sciences. One of the greatest contributions to the area was through the work of Baron e Kenny (1986) with the Difference method and the Product of the Coefficients method, which are based on estimates determined by linear regression. Another important study comes from the field of causal inference by the work of Rubin (1974), employing the modeling of potential outcomes, which has more analysis flexibility. The purpose of this work is to introduce the concepts of causality through mediation analysis and to demonstrate a comparison of methods using epidemiological data. The definitions for the Difference and Product of Coefficients methods are presented, in addition to the counterfactual methodology through potential outcomes – generalizing to non-linear and interacting scenarios. The application and comparison of the methods are given using data from the Child Health and Development Studies (CHDS), which investigated pregnancies of users of a health insurance plan, with the goal of determining whether the habit of smoking during pregnancy impacts on the baby’s weight. One of the motivations for using this study in a mediation analysis context is to understand if the habit of smoking impacts on the gestational time, and consequently on the low weight of the newborn baby. In order to be able to illustrate the methods with binary variables, the outcome was recategorized considering whether there was a low birth weight (< 2500 grams) and the mediator considering whether there was a premature birth (< 259 days), in addition to models with and without exposure-mediator interaction. The estimation of causal effects without interaction of the two methods coincides when the models are linear or logistical; when there is interaction, the Product of Coefficients method gives biased estimates and without causal interpretability, and for these cases the Potential Outcomes approach is suggested.