使用較少假設的有效因果推論的統計工具

因果推斷在醫學研究中很重要，可以幫助確定治療是否有益以及自然暴露是否有害。在許多情況下，如果不進行過于樂觀或理想的假設，數據收集將使因果推理變得困難。在《美國統計協會雜志》上發表的一篇新文章中，Karolinska Institutet的研究人員開發了新的統計方法，以使因果推理在某些情況下可能進行而無需做出此類假設。

醫學流行病學和生物統計學系的Erin Gabriel，Michael Sachs和ArvidSjölander在新論文中描述了如何使用和解釋這些方法。

可用于各種不同研究設置的新工具

隨機試驗是一種實驗類型，其中隨機分配志愿者組以獲取或不獲取新藥，然后在兩個隨機分配的組之間進行比較以評估隨機藥物對生存，感染或健康的影響病人。與新藥不同，有很多東西不能隨機分配給志愿者，例如吸煙和接觸石棉，或者可以隨機分配，但是最常在觀察性研究中研究，例如紅酒和水果消費。

在這些情況下，暴露的影響可能難以確定，因為其他因素可能會影響目標暴露和結果。例如，在瑞典生活，與匈牙利相比，較低的死亡率和更多的野莓消耗量，因此，在包括匈牙利和瑞典人的人群中尋找野莓對死亡率的影響可能會使研究人員相信，野莓可以降低死亡率。

使用新方法開發的統計方法

盡管有許多用于處理測量因素的工具，例如居住國，以測試和評估此類影響，但所有這些方法都要求研究人員愿意猜測尚未測量的所有其他因素。本文介紹的工作使用數學，邏輯和統計信息來緩解這種猜測的需要，而不是給出效果的單個值，而是提供一系列可能的效果大小。盡管一些研究人員已經開發出類似的方法，但是這些方法很少，并且特定于數據類型以及如何收集數據。Erin Gabriel和她的同事開發了新的方法，以允許使用更多類型的數據收集樣式，由于寄存器的存在，其中許多在瑞典非常普遍。

第一作者艾琳·加布里埃爾(Erin Gabriel)說：“這些易于實施的統計方法可能在許多因果關系受到不可估量的混雜和/或選擇偏見威脅的情況下提供幫助。”

作者希望他們的工具將被世界各地的研究人員使用，以幫助他們做出決策，而不必猜測數據中無法衡量的因素。在他們正在進行的和將來的工作中，他們旨在構建和描述可用于不完善的臨床試驗的新統計工具。