SEARCH

SEARCH BY CITATION

Keywords:

  • Bias;
  • causality;
  • causal models;
  • collapsibility;
  • compliance;
  • confounding;
  • graphical models;
  • instrumental variables;
  • mediation analysis;
  • odds ratio

Résumé

Nous passons en revue les méthodes probabilistes et graphiques dans la détection de situations où la dépendance d'une première variable par rapport à une seconde variable se trouve modifiée par la prise en compte d'une troisième variable, que cette dépendance soit de nature causale ou purement prédictive. Nous mettons l'accent, en particulier, sur la détection des cas où la prise en compte d'une tierce variable entraîne la réduction ou l'augmentation du biais des mesures d'association représentant l'impact causal d'une variable sur l'autre. Nous considérons ensuite les situations dans lesquelles la tierce variable est susceptible d'annuler, ou de biaiser l'estimation des effets de causalité, ainsi que quelques cas particuliers utiles dans les études de cas-témoins, les études de cohortes, et les essais en présence de non-observance (non-compliance).

Summary

We review probabilistic and graphical rules for detecting situations in which a dependence of one variable on another is altered by adjusting for a third variable (i.e., non-collapsibility or non-invariance under adjustment), whether that dependence is causal or purely predictive. We focus on distinguishing situations in which adjustment will reduce, increase, or leave unchanged the degree of bias in an association that is taken to represent a causal effect of one variable on the other. We then consider situations in which adjustment may partially remove or introduce a bias in estimating causal effects, and some additional special cases useful for case-control studies, cohort studies with loss, and trials with non-compliance (non-adherence).