Error de medición

El error de medición significa que los números que registramos no coinciden del todo con la realidad, como cuando una báscula de baño indica que pesas dos libras más de lo que pesas realmente. En los diagramas causales, estos errores pueden romper las conexiones entre variables, haciendo que desaparezcan efectos reales o que aparezcan relaciones que no existen. Un estudio médico podría no detectar que un medicamento funciona porque los registros de los pacientes contienen errores, o dos cosas podrían parecer relacionadas solo porque ambas se midieron sin cuidado. Pregúntate: Cuando ves un resultado sorprendente, ¿has considerado si las propias mediciones podrían estar engañándote?

Cómo distorsiona el error de medición el descubrimiento de relaciones causales

Cuando dibujamos diagramas causales, llamados grafos acíclicos dirigidos o DAG, suponemos que las flechas conectan variables reales, pero nuestros datos proceden de mediciones imperfectas. La conexión entre la «calidad real del sueño» y el «sueño medido» se rompe cuando el error de medición es grande. Un reloj inteligente con mediciones imprecisas podría registrar el movimiento como sueño o no detectar en absoluto los períodos de vigilia. Esta desconexión bloquea la vía por la que una causa real, el ejercicio, mostraría su efecto en el resultado, el sueño. Así pueden desaparecer relaciones reales.

Dos formas en que el error te lleva a conclusiones equivocadas

En primer lugar, el error puede ocultar relaciones reales al añadir ruido que ahoga la señal. Imagina que estudias si leer mejora el vocabulario: si evalúas el vocabulario en días en que los estudiantes están cansados, sus puntuaciones fluctúan al azar y ocultan el beneficio real de la lectura. En segundo lugar, el error puede crear relaciones falsas. Supón que dos hospitales usan termómetros defectuosos que marcan temperaturas demasiado altas. El análisis podría sugerir una relación espuria entre los hospitales, cuando el verdadero problema es un sesgo de medición compartido.

Qué agrava el problema

El daño depende de dónde entre el error en tu diagrama. Cuando la variable de resultado se mide mal, pierdes capacidad para detectar cualquier efecto. Cuando un factor de confusión se mide con error, los intentos de ajustar por él se quedan a medias: es como intentar tapar una fuga en una presa con un colador. Los errores grandes en las variables de tratamiento pueden sesgar las estimaciones del efecto hacia cero y hacer que efectos fuertes parezcan débiles. Fíjate: Ni siquiera el análisis estadístico más cuidadoso puede salvar un estudio basado en mediciones con fallos fundamentales.

El error de medición altera de forma fundamental la inferencia causal al crear un desajuste entre el modelo causal teórico y el modelo estadístico ajustado a los datos. El error de medición clásico, que no está relacionado con los valores verdaderos, suele sesgar las estimaciones hacia la ausencia de efecto y reducir la potencia estadística. Sin embargo, el error no clásico, en el que los errores se correlacionan con los valores verdaderos o con otras variables, puede sesgar las estimaciones en direcciones impredecibles e incluso invertir las conclusiones causales.

• Greenland (2005): El error de medición diferencial, en el que los patrones de error difieren entre grupos, puede crear asociaciones espurias u ocultar asociaciones reales, incluso cuando los análisis de sensibilidad sugieren que los resultados son robustos. [1]
• Hernán y Cole (2009): En los diagramas causales, el error de medición introduce nodos no medidos que bloquean o abren vías. Esto cambia de forma fundamental la estructura de separación d y, por tanto, el conjunto de variables por las que es válido ajustar. [2]
• VanderWeele (2019): Cuando el error de medición afecta a los factores de confusión en lugar de a la exposición o al resultado, el ajuste mediante regresión estándar funciona mal. El sesgo puede amplificarse, de modo que un ajuste parcial puede ser peor que no ajustar en absoluto. [3]

La consecuencia práctica es que el error de medición transforma el propio DAG causal: lo que en teoría aparece como una sola variable se convierte en un par en la realidad, el valor verdadero y el error, con flechas que se conectan de forma inesperada con otras partes del sistema.

Las correcciones del error de medición requieren supuestos fuertes sobre la estructura del error que a menudo no se pueden verificar solo con los datos. Los estudios de validación, que miden lo mismo de dos maneras, ayudan, pero introducen sus propias incertidumbres. Muchas técnicas suponen que el error es clásico, aunque en la práctica los errores suelen correlacionarse con los valores verdaderos o variar según el subgrupo. Además, centrarse únicamente en el error de medición puede desviar la atención de otras amenazas, como la confusión no medida o una especificación incorrecta del modelo. Los DAG ayudan a visualizar el problema, pero no lo resuelven: mejorar las mediciones o los diseños, por ejemplo mediante ensayos aleatorizados, sigue siendo la principal defensa.