Métodos de análisis de datos adecuados para el establecimiento de la PNIN (2/3)

2. Los datos de las encuestas de población o los datos rutinarios no permiten realizar un análisis sólido de las relaciones causales ni una evaluación del impacto.

Es lógico que los legisladores estén interesados en las preguntas importantes, por ejemplo: “¿Las inversiones realizadas en este programa permitieron reducir los niveles de anemia?”. Para llegar a una conclusión definitiva y afirmar que existe una relación causal, se deben cumplir algunas condiciones con el análisis de datos:

  • Existe una relación significativa en términos estadísticos entre la aplicación del programa de nutrición y la reducción de las tasas de anemia.
  • Las inversiones en el programa correspondiente ocurrieron antes de la reducción medida de la anemia (temporalidad).

Esto, sin embargo, no alcanza para llegar a la conclusión de que existe una relación causal.

Por ejemplo, una persona que bebe café todas las mañanas antes del amanecer podría concluir que beber café hace salir el sol. Existe una asociación perfecta y beber café es anterior a la salida del sol. No obstante, ¡nadie llegaría a esta conclusión!
(Ejemplo proporcionado por J. Leroy, IFPRI. Mire el video de su presentación en la 1.º Reunión Mundial de las PNIN en julio de 2018, en París)

Se deben considerar otros factores, entre ellos:

  • Plausibilidad: la interpretación causal de la asociación observada debe ser coherente con los conocimientos existentes. Si conocemos las leyes del universo, no tiene sentido interpretar que la asociación entre beber café y el amanecer es causal.
  • Se deben verificar los factores de confusión (consulte a continuación) que podrían brindar una explicación alternativa para la asociación observada.
  • Hill y Bradford (1965) describieron otros criterios relativos a las relaciones causales en el artículo The Environment and Disease: Association or Causation?, publicado en Proceedings of the Royal Society of Medicine, 58(5): 295-300 (consulte a continuación).
Utilizar los datos rutinarios o los datos de la encuesta de población para realizar un análisis causal puede inducir a error y ser objeto de críticas
El siguiente ejemplo proporciona un caso real. Muchos estudios científicos emplean modelos de regresión para realizar un análisis causal sobre la nutrición mediante encuestas de población (Fuente: FEWSNET).
Sin embargo, estos estudios:
  • pueden inducir a error y ser objeto de críticas porque no controlan todos los factores de confusión;
  • pueden tener una alta incidencia de colinealidad (cuando los determinantes están asociados);
  • casi nunca explican más del 20 % de la variabilidad observada;
  • raras veces aportan nueva información;
  • no suelen ofrecer recomendaciones prácticas.
*****
INFORMACIÓN COMPLEMENTARIA Y EJEMPLOS

The Environment and Disease: Association or Causation? Bradford & Hill, 1965