Resumo em Português:

Um dos principais objetivos dos estudos epidemiológicos é a estimação de efeitos causais. E a inferência causal deve ser discutida tanto por estudos experimentais quanto por estudos observacionais. Uma importante limitação na interpretação causal de estudos observacionais é a possível presença de confundidores não observados (hidden bias). Uma estratégia para avaliar o possível efeito de um confundidor não observado é através de uma análise de sensibilidade, que determina quão forte deveriam ser os efeitos de um confundidor não observado de modo a explicar uma aparente associação. A proposta deste artigo é rever e integrar dois métodos independentes de análise de sensibilidade: um devido a Greenland, sob uma perspectiva epidemiológica; e outro devido a Rosenbaum, sob uma perspectiva estatística. A combinação de questões estatísticas e epidemiológicas torna a análise de sensibilidade mais completa e direta, e deve estimular sua necessária difusão e mais aplicações. Como os estudos observacionais são mais sujeitos a vieses e confundimento, uma análise de sensibilidade considerando aspectos estatísticos e epidemiológicos fortalece o processo de inferência causal.

Resumo em Inglês:

One of the main purposes of epidemiological studies is to estimate causal effects. Causal inference should be addressed by observational and experimental studies. A strong constraint for the interpretation of observational studies is the possible presence of unobserved confounders (hidden biases). An approach for assessing the possible effects of unobserved confounders may be drawn up through the use of a sensitivity analysis that determines how strong the effects of an unmeasured confounder should be to explain an apparent association, and which should be the characteristics of this confounder to exhibit such an effect. The purpose of this paper is to review and integrate two independent sensitivity analysis methods. The two methods are presented to assess the impact of an unmeasured confounder variable: one developed by Greenland under an epidemiological perspective, and the other developed from a statistical standpoint by Rosenbaum. By combining (or merging) epidemiological and statistical issues, this integration became a more complete and direct sensitivity analysis, encouraging its required diffusion and additional applications. As observational studies are more subject to biases and confounding than experimental settings, the consideration of epidemiological and statistical aspects in sensitivity analysis strengthens the causal inference.