使用较少假设的有效因果推论的统计工具

因果推断在医学研究中很重要，可以帮助确定治疗是否有益以及自然暴露是否有害。在许多情况下，如果不进行过于乐观或理想的假设，数据收集将使因果推理变得困难。在《美国统计协会杂志》上发表的一篇新文章中，Karolinska Institutet的研究人员开发了新的统计方法，以使因果推理在某些情况下可能进行而无需做出此类假设。

医学流行病学和生物统计学系的Erin Gabriel，Michael Sachs和ArvidSjölander在新论文中描述了如何使用和解释这些方法。

可用于各种不同研究设置的新工具

随机试验是一种实验类型，其中随机分配志愿者组以获取或不获取新药，然后在两个随机分配的组之间进行比较以评估随机药物对生存，感染或健康的影响病人。与新药不同，有很多东西不能随机分配给志愿者，例如吸烟和接触石棉，或者可以随机分配，但是最常在观察性研究中研究，例如红酒和水果消费。

在这些情况下，暴露的影响可能难以确定，因为其他因素可能会影响目标暴露和结果。例如，在瑞典生活，与匈牙利相比，较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寻找野莓对死亡率的影响可能会使研究人员相信，野莓可以降低死亡率。

使用新方法开发的统计方法

尽管有许多用于处理测量因素的工具，例如居住国，以测试和评估此类影响，但所有这些方法都要求研究人员愿意猜测尚未测量的所有其他因素。本文介绍的工作使用数学，逻辑和统计信息来缓解这种猜测的需要，而不是给出效果的单个值，而是提供一系列可能的效果大小。尽管一些研究人员已经开发出类似的方法，但是这些方法很少，并且特定于数据类型以及如何收集数据。Erin Gabriel和她的同事开发了新的方法，以允许使用更多类型的数据收集样式，由于寄存器的存在，其中许多在瑞典非常普遍。

第一作者艾琳·加布里埃尔(Erin Gabriel)说：“这些易于实施的统计方法可能在许多因果关系受到不可估量的混杂和/或选择偏见威胁的情况下提供帮助。”

作者希望他们的工具将被世界各地的研究人员使用，以帮助他们做出决策，而不必猜测数据中无法衡量的因素。在他们正在进行的和将来的工作中，他们旨在构建和描述可用于不完善的临床试验的新统计工具。