A typology of four notions of confounding in epidemiology
Notice bibliographique
Résumé
Confounding is a major concern in epidemiology. Despite its significance, the different notions of confounding have not been fully appreciated in the literature, leading to confusion of causal concepts in epidemiology. In this article, we aim to highlight the importance of differentiating between the subtly different notions of confounding from the perspective of counterfactual reasoning. By using a simple example, we illustrate the significance of considering the distribution of response types to distinguish causation from association, highlighting that confounding depends not only on the population chosen as the target of inference, but also on the notions of confounding in distribution and confounding in measure. This point has been relatively underappreciated, partly because some literature on the concept of confounding has only used the exposed and unexposed groups as the target populations, while it would be helpful to use the total population as the target population. Moreover, to clarify a further distinction between confounding "in expectation" and "realized" confounding, we illustrate the usefulness of examining the distribution of exposure status in the target population. To grasp the explicit distinction between confounding in expectation and realized confounding, we need to understand the mechanism that generates exposure events, not the product of that mechanism. Finally, we graphically illustrate this point, highlighting the usefulness of directed acyclic graphs in examining the presence of confounding in distribution, in the notion of confounding in expectation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,022 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,009 | 0,012 |
| Études des sciences et des technologies | 0,002 | 0,023 |
| Communication savante | 0,007 | 0,009 |
| Science ouverte | 0,004 | 0,006 |
| Intégrité de la recherche | 0,005 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».