Documente Academic
Documente Profesional
Documente Cultură
W. Douglas Thompson2
Mecanismocausal
Efectosindependientesdentro de un procesono simultáneo
Efectossinérgicosdentro de un procesointegrado
Cadafactor tiene su únicoefectoen dos etapasdiferentesde un proceso
multietápico
Efectosaditivos (y por tanto posiblementeindependientes)sobre una
variable intervinienteque mantieneuna relación exponencialcon la
incidenciade la enfermedad
Efectosque no llegana ser aditivos (y por tanto posiblementeantagónicos)
sobre una variable intervinienteque mantieneuna relaciónexponencial-
de potenciacon la incidenciade la enfermedad
* Reproducidode Thompson(53).
de ser en concreto -dependiendo del me- es R X exp(f$) - R X exp(&). Si los efectos
canismo causal típicamente desconocido- combinados de los dos factores de riesgo son
indicio de ausencia de interacción, de aditivos, entonces estas dos diferencias de
sinergismo (es decir, interacción positiva con tasas serán iguales entre sí, es decir,
un factor que amplía el efecto de otro) o de
R X exp(& - R X exp(&) = R X exp@,) - R.
antagonismo (esto es, interacción negativa
con un factor que reduce el efecto de otro). Reordenando términos, tenemos:
Así, basándose en los resultados de estudios
R X exp(&) - R= [R X exp(&) - R]
de casos y controles o, de hecho, de cual-
+ [R X exp(@,) - R].
quier otro tipo de investigación epide-
miológica, no puede distinguirse fiable- Esto significa que la diferencia entre
mente la presencia o ausencia de interacción tasas para individuos con ambos factores
biológica ni el sinergismo en contraposición frente a aquellos que no tienen ninguno es
a efectos causales antagónicos (53). igual a la suma de las dos diferencias si-
Aunque la regresión logística se basa guientes: 1) la diferencia entre las tasas de
en un modelo multiplicativo, en un análisis aquellos que solo tienen el primer factor
logístico las variables se pueden codificar de frente a las de los que no tienen ninguno de
manera tal que es posible evaluar el efecto ellos, y 2) la diferencia entre aquellos que
aditivo de las tasas de enfermedad para los solo tienen el segundo factor y los que no
efectos combinados de múltiples factores de tienen ninguno. Rothman (54, 55) sugiere
riesgo. Si se consideran dos factores binarios, expresar el grado de interacción basado en
entonces para el modelo la evaluación de diferencias de tasas como
IR X exp(b,)- WIP X ex&) - RI
donde x1 = 1 si el primer factor está presen- + tR X exp@,)- RI1
te y el segundo está ausente y 0 en otro caso; = kxp@,) - ll/Iexp@,) + exp@J- 4. (12)
xz = 1 si el primer factor está ausente y el Si el patrón de las tasas es aditivo, esta
segundo presente y 0 en otro caso; y x3 = 1 si cantidad será l,O; los valores mayores de 1,0
ambos factores están presentes y 0 en otro indican, en términos relativos, el grado en
caso. Si R denota la incidencia de la enfer- que los efectos combinados de los dos fac-
medad para ese segmento de la población tores exceden la cualidad aditiva. De este
en el cual no está presente el primer factor modo, es posible medir esa cualidad y el
ni el segundo, las tasas de incidencia de los grado de alejamiento de ella puede cuanti-
otros tres grupos son como las que apare- ficarse sin conocer la incidencia absoluta, la
cen en el cuadro 4. La diferencia de tasas cual se desprende de la ecuación 12 y no
para el efecto del primer factor en el suele poder obtenerse en un estudio de ca-
subgrupo sin el segundo factor es R X sos y controles. Los intervalos de confianza
exp(&) - R; la correspondiente diferencia de la medida de la interacción de Rothman,
de tasas en el subgrupo con el segundo factor o “índice de sinergismo” (IS), pueden cal-
cularse usando los resultados habituales de
los programas de regresión logística, del si-
guiente modo (56):
CUADRO4. Magnitud de las tasas de incidencia
cuando el modelo logístico se ha codificado de exp[[ln (IS) 2 1,96 X EE [ln (IS)]), .
manera que permita evaluar efectos aditivos B
donde EE[ln(IS)] es la raíz cuadrada de la Ei
Segundofactor cantidad
0
Primer factor Presente Ausente
h : P=@,)12+ h : IEE(P2)12
+ h : W(I$)12 E
Presente R x w(@J + 2k,k,cov(lj,, 8,) + 2k,k,cov(f$ 6,)
Ausente R x ew(P,)
+ 2k2k,cov(fi2, í$>t 53
y donde troles. Sin embargo, para abordar otras fuen-
tes de sesgo aparte de la confusión, gene-
4 = -exp@,Ykxp@,) + exp(lS,)- 21, ralrnente los epidemiólogos del pasado se
apoyaban en enunciados cualitativos expre-
k,= -e>cp(~,Ybp(~,) + exp(P,)- 21 sados en las secciones de discusión de sus
Y informes. Más recientemente, sin embargo,
se han concentrado esfuerzos en tratar de
k,= exp(l$Vbp(lj,) - ll. cuantificar específicamente la magnitud pro-
Si el límite inferior de confianza es bable de distorsión de la razón de posibili-
mayor que l,O, entonces los datos propor- dades que provoca otra gran fuente de ses-
cionan la comprobación estadística de que go en los estudios de casos y controles: el
los efectos combinados son más que aditi- error de medición. Revisaremos aquí algu-
vos; si el límite superior de confianza es nos de los avances metodológicos registra-
menor de l,O, entonces los datos revelan que dos en esta área.
los efectos combinados no llegan a ser adi- El error en la medición de la exposi-
tivos. También se han descrito métodos de ción constituye a menudo una amenaza im-
estimación de diversas otras medidas de portante para la validez de los estudios de
interacción en la escala de aditividad (48, casos y controles (63). Para una exposición
56-58). dicotómica, la prevalencia aparente en los
Si se modifica la ecuación ll, incluyen- casos, PI, es igual a
do términos para otras covariables, enton-
-,S, + (1 - nI) (1 - EJ,
ces el cálculo del IS, tal y como se definió en
la ecuación 12, deja de ser apropiado para donde rTT1 es la verdadera prevalencia de ex-
medir la aditividad, excepto en condiciones posición en la población total de casos, S, es
especiales (59). Por lo tanto, se recomienda la proporción de casos verdaderamente ex-
hacer dicha evaluación sobre la base de es- puestos que son correctamente clasificados
tratos específicos. Los llamados “modelos como tales (sensibilidad), y E, es la pmpor-
aditivos del riesgo relativo” (60-62) tampo- ción de casos verdaderamente no expues-
co son apropiados para evaluar la aditividad tos que se clasifican correctamente como no
estricta de tasas (59), aunque en general son expuestos (especificidad). Como indican
mucho más cercanos a una evaluación de Copeland et al. (64), despejando T, se obtie-
aditividad de tasas que auna evaluación del ne el siguiente resultado:
modelo multiplicativo.
Para recabar más información sobre TI= (PI+ E, - l)/(S, + E, - 1).
2 las interacciones, incluidos los usos apropia- Utilizando la proporción empírica de
N casos clasificados como expuestos en un
4 dos que no entrañan conclusiones potencial-
2 mente falaces referentes a mecanismos e in- estudio particular (PJ, para estimar p1 y
zw terpretaciones de una forma extrema de utilizando valores conocidos para S, y E,,
E interacción conocida como efecto cruzado tenemos:
x (cmss-over eflecf), véase Thompson (53).
3 +rl= (PI+ E,- l)/(S,+ E,- 1). (13)
=4
.-kl CONTROL DE SESGOS Del mismo modo para los controles,
ci
tn DEBIDOS A ERRORES DE señalados por el subíndice 0, tenemos:
.g MEDICIÓN ?ro= (Po+ E,- l)/(S,+ E,- 1). (14)
8
El control estadístico del sesgo en la Una estimación de la razón de posibi-
õ razón de posibilidades debido a variables lidades, que incluye la corrección del error
m
de confusión ha sido habitual por decenios de clasificación, se calcula como:
tanto en el análisis como en la comunicación
54 de resultados de los estudios de casos y con- +ri(l - 7F0)/+ro(l - $). (15)
El problema primario de la aplicación error no diferencial de clasificación. Para
de la ecuación 15 en los estudios de casos y las exposiciones binarias, este patrón de
controles actuales es la frecuente carencia de error de clasificación produce una razón de
información sobre S,, E,, S, y E,,. En algunos posibilidades observada que, siempre que
casos, sin embargo, parece improbable que S 2 1 - E, se encuentra entre el verdadero
los sujetos fuesen a testimoniar falsamente valor y 1,0 (47,64,66). Esta restricción que
una exposición que no ocurrió, de modo que impone S 2 1 - E no es demasiado fuerte,
la única fuente de error sería la ignorancia o ya que simplemente especifica que la pro-
la reticencia a comunicar la exposición que babilidad de ser clasificado como expues-
realmente se produjo. Esto es, E, = E, = 1, y to es por lo menos tan alta en los indivi-
las ecuaciones 13 y 14 se simplifican a: TrI = duos que realmente están expuestos como
p,/s, y +$ = &/S, en los que realmente no lo están. Para las
Para los estudios de base poblacional, exposiciones que tienen tres 0 más catego-
se puede obtener de otras fuentes una esti- rías, el sesgo debido al error no diferencial
mación independiente de Ti Por ejemplo, de clasificación no se decanta necesaria-
en los estudios de casos y controles donde mente hacia 1,0 (67).
la historia familiar de cáncer es el factor de Cuando solo una minoría relativa-
riesgo que se estudia, la proporción de con- mente pequeña de la población está real-
troles que realmente tienen un miembro de mente expuesta, el sesgo producido por un
la familia afectado puede calcularse aplican- error no diferencial de clasificación de una
do tasas de incidencia específicas por edad exposición binaria puede ajustarse conocien-
de los registros de cáncer de la población a do solamente el valor predictivo positivo
la cantidad de personas-tiempo en riesgo en (VlT) en los controles (29). La adaptación
los familiares de los controles (65), y &, pue- de un método originalmente propuesto por
de dividirse por ese valor para obtener S, Green (68) para los estudios de cohortes da
La información adicional que se requiere en- lugar a la siguiente expresión para la razón
tonces para calcular un valor corregido de de posibilidades corregida:
la razón de posibilidades es S,. Si no se dis-
1+ [razón de posib. observada - l]/WP,, (16)
pone de información complementaria sobre
la magnitud de S,, hay varias situaciones po- donde VW,, representa la proporción de los
sibles. Si la razón de posibilidades observa- controles clasificados como expuestos que
da es mayor que l,O, entonces para S, 5 S, realmente lo están. La información sobre
la razón de posibilidades corregida será aun VW,, puede obtenerse de un estudio de va-
mayor. En general, lo que preocupa es que lidación previo en el cual se han utilizado g
los casos notifiquen más que los controles métodos acaso costosos pero definitivos z
la exposición verdadera (S, > SJ, lo que po- para clasificar la exposición en un grupo de e
dría producir una razón de posibilidades sujetos inicialmente clasificados como ex-
falsamente elevada; lo más extremo sería puestos sobre la base de las técnicas usadas 2
que S, = 1. Si el valor corregido de la razón en el estudio de casos y controles. Como al- 2
de posibilidades calculada sobre este su- ternativa, este número relativamente peque- 2
2
puesto es todavía sustancialmente elevado, ño de controles clasificados como expues- 4
puede concluirse que el sesgo de notifica- tos en el estudio original de casos y
ción no explica completamente la asociación controles puede reexaminarse con más pro- 2
observada. fundidad para conseguir una valoración t
Gran parte del trabajo metodológico definitiva de su verdadera exposición. Los E+
sobre el error de medición en los estudios límites de confianza inferior y superior de
g
de casos y controles ha tratado esta situa- la razón de posibilidades observada pueden g
ción especial del error de clasificación no incluirse en lugar de la estimación puntual
diferencial de la exposición, es decir, S, = S, de la razón de posibilidades observada en
= S, y E, = E, = E, el cual suele denominarse la ecuación 16, obteniendo así límites de con- 55
fianza de la estimación de la razón de posi- puria de la razón de posibilidades alo largo
bilidades corregida. Hay un método relacio- de los niveles de la covariable (70).
nado para corregir la razón de posibilida- Recientemente, se han desarrollado
des que no emplea el VB? sino el coeficiente métodos para corregir los coeficientes de la
kappa de confiabilidad de la clasificación de regresión logística según los efectos de mag-
la exposición (69). nitudes conocidas o estimadas del error de
La extensión de las ecuaciones 13 y 14 medición (73-75). Los métodos de este tipo
a varios factores de riesgo categóricos con- se emplean principalmente con variables
siderados al mismo tiempo es matemática- continuas. Un área que necesita particular
mente directa, pero lo tipico es que no se desarrollo es la de los métodos de correc-
disponga de información adecuada sobre las ción para la situación frecuente en que se
muchas probabilidades individuales de in- mezclan variables discretas y continuas.
currir en error de clasificación necesarias
para realizar tal corrección. Por ejemplo, si OTROS ASPECTOS EN LA
hay cuatro factores de riesgo dicotómicos, REGRESIÓN LOGÍSTICA
entonces se conforman 25 = 32 grupos dife-
rentes basados en la clasificación cruzada del Varios aspectos analíticos de la regre-
factor de riesgo y la condición de caso o con- sión logística merecen al menos una breve
trol. Incluso si el estado de caso o control se mención. Entre ellos se incluyen la codifica-
considerara libre de error, el número total ción de variables independientes con el fin
de tipos distintos de errores de clasificación de evitar subanálisis innecesarios, la regre-
sería 2 x 16 x 15 = 480. Suponiendo que el sión logística politómica, y la evaluación de
error de clasificación es no diferencial res- la bondad del ajuste.
pecto de la condición de caso o control, el Uno de los rasgos más atractivos de la
número apenas se reduce a 240. Para redu- regresión logística y de todos los modelos
cir esta cifra a un número que realmente multivariantes es que permiten hacer una
pueda estimarse por medio de un estudio evaluación integral de las características más
de validación, deberían barajarse amplios importantes de los datos sin necesidad de
supuestos sobre el patrón del error de realizar análisis separados de pequeños
clasificación. subconjuntos. Sin embargo, en muchos es-
Corregir los análisis multivariantes en tudios de casos y controles los valores de
función del error de medición es crucial, ya ciertas variables de exposición solo tienen
que una vez efectuado un ajuste según fac- sentido para un subconjunto de los casos y
tores de confusión importantes medidos con los controles. Por ejemplo, no es posible asig-
% error puede persistir un sesgo considerable nar ningún valor a la variable “edad en el
w por fenómeno de confusión (70- 7.2).El error primer parto” de las mujeres nulíparas. No
4
2w de clasificación no diferencial de la verda- obstante, si la edad en el primer parto se
dera exposición de interés sesga la estima- considera una variable potencialmente im-
2
E ción hacia l,O, el error de clasificación no portante, una alternativa analítica sería rea-
li diferencial de los factores de confusión pro- lizar análisis separados para mujeres
2 duce estimaciones ajustadas de las razones nulíparas (para las que obviamente no se
.-e de posibilidades sesgadas acercándose o ale- incluye la variable edad en el primer parto)
Ei jándose de l,O, dependiendo del grado de y para mujeres que tienen hijos. Sm embar-
m
r! error de clasificación y de la dirección y la go, este enfoque no entraña una compara-
magnitud de las relaciones entre el factor de ción directa del efecto de la nuliparidad so-
?s confusión y la exposición y entre ese factor bre el riesgo o de la interacción entre
õ y la enfermedad. Al evaluar la interacción, nuliparidad y otras variables. Por añadidu-
m
un error de clasificación no diferencial de la ra, para variables diferentes ala nuliparidad
exposición o de una covariable puede dar y la edad en el primer parto, se obtienen dos
56 lugar a una heterogeneidad totalmente es- estimaciones separadas, cada una con pre-
cisión que dista de ser óptima. Una estrate- caban estas técnicas con mucha frecuencia
gia alternativa, generalmente preferible, es (76), pero esta situación mejorará con la in-
analizar conjuntamente a las mujeres corporación de varios diagnósticos de la re-
nulíparas y las que tienen algún hijo e in- gresión dentro de los paquetes de estadísti-
cluir en el modelo de regresión logística las ca computadorizados.
siguientes dos variables: x1 = 0 si la mujer es Finalmente, el modelo de regresión
nulípara y 1 en otro caso, y x, = edad en el logística usual se ha extendido para permi-
primer parto para mujeres que tienen algún tir el análisis simultaneo de varios grupos
hijo y un valor especificado por el analista de casos o varios grupos de controles (32,
para el resto. 77, 78). Este modelo más general se conoce
Si ambas variables se han incluido en habitualmente como regresión logística
el modelo, podemos interpretar exp[&] politómica. Cuando hay varios tipos de ca-
como las posibilidades de enfermedad de sos, la regresión logística politómica consti-
las mujeres que tienen algún hijo, con la tuye una herramienta para evaluar la hete-
edad del primer parto asignada a las muje- rogeneidad etiológica. Por ejemplo, los
res nulíparas, frente a las posibilidades de pacientes de cáncer de pulmón pueden di-
enfermar de las nulíparas. Igualmente vidirse en grupos de casos distintos a partir
exp[$] es interpretable como la razón de po- del examen histológico de los tumores, y
sibilidades para un incremento de un año pueden calcularse estimaciones de los efec-
de la edad del primer parto en las mujeres tos de exposiciones tales como el hábito de
que tienen algún hijo. El valor específico que fumar en cada uno de ellos. Las compleji-
se asigna a las nulíparas para x2 es con fre- dades de interpretación de dichas evalua-
cuencia la media, pero también podría uti- ciones de la heterogeneidad etiológica son
lizarse otro valor que tenga especial interés. similares a las que se han descrito para eva-
Además de evaluar cuidadosamente luar la interacción, aunque no se reconocen
las relaciones dosis-respuesta y examinar el ampliamente (79).
fenómeno de la confusión y los efectos de
interacción, el análisis completo de datos RES-Y CONCJJJSIONES
procedentes de un estudio de casos y con-
troles mediante modelos de regresión logís- Los métodos de análisis de resultados
tica exige también examinar lo que se cono- procedentes de estudios de casos y contm-
ce como bondad del ajuste. Hosmer et al. les han evolucionado considerablemente
(76) expusieron varias técnicas para dicho desde los años cincuenta. Estos métodos han
examen, las cuales se describen en mayor ayudado a mejorar la validez de las conclu- E
detalle en su libro (32). Esos métodos per- siones obtenidas en esos estudios y han con- i=
miten considerar sistemáticamente el papel tribuido a asegurar que los datos disponi- 2
individual de los sujetos en el modelo, cal- bies tengan máxima utilidad. Las diversas
culando tres medidas: residuales (dispari- variantes de los modelos de regresión logís- 2
dad entre la predicción basada en el mode- tica se han convertido, con mucho, en el z
lo y el resultado observado), la fuerza de método de análisis multivariante más utili- 2
z
palanca3 (una configuración atipica de las zado en los estudios de casos y controles. 4
variables predictoras) y la influencia (gran Como ocurre con cualquier tipo de modela-
contribución a la magnitud de las estima- ción estadística, el examen de los datos solo 2
ciones). En el pasado, los usuarios de la re- permite verificar parcialmente cuan apro- b
gresión logística en epidemiología no apli- piada es su formulación; en consecuencia, 2
se recomienda interpretarlos con cautela
5-
(80-83).
E
En este articulo se ha hecho hincapié
3 Levernge en el original; este término fue introducido por en métodos que se prestan especialmente
los autores en el contexto específico del diagnóstico de la
regresión (N. del T.). para evaluar aspectos etiológicos bastante 57
concretos, cuando una o dos exposiciones 5. Jardner MJ, Altian DG. Confidente intervals
:ather than P values; estimation rather than
en particular se consideran de interés a îypothesis testing. Br Med ] 1986;292:746-750.
priori. Si se examina un número elevado de
6. Walker AM. Reporting the results of epide-
asociaciones para posibles diferencias entre miologic studies. Am J Public Health 1986;76:
casos y controles la situación es mucho más 556-558.
compleja. Varios autores rechazan enfática-
7. rhompson WD. Statistical criteria in the
mente los ajustes estadísticos que se em- interpretation of epidemiologic data. Am J Public
plean para “comparaciones múltiples” en Hea2th1987;77:191-194.
esas situaciones (6, 7, 84). Sin embargo, al- 8. Poole C. Beyond the confidente interval. Am J
gunos trabajos recientes sugieren que, cuan- PubIic Health 1987;77:195-199.
do se parte de información limitada, pue-
9. Coughlin S, Benichou J, Weed DL. Attributable
den ser útiles ciertos métodos empleados en risk estimation in case-control studies. Epidemial
las comparaciones múltiples, sobre todo en Rev 1994;16:51-64.
el marco de la toma de decisiones (85-87).
10. Mietlinen OS. Estimability and estimation in case-
Hay por lo menos dos áreas importan- referent studies. Am J EpidemioI 1976;103:226-235.
tes en las cuales es preciso desarrollar
ll. Gmmland S, Thomas DC. On the need for the rare
metodologías de análisis para los estudios disease assumption in case-control studies. Am J
de casos y controles. En primer lugar, tal y Epidemial 1982;116:547-553.
como se ha señalado, necesitamos nuevos
12. Greenland S, Thomas DC, Morgenstem H. The
métodos para llevar a cabo análisis que to- rare-disease assumption revisited: a critique of
men en cuenta apropiadamente los consi- “Estimators of relative risk for case-control
derables errores de medición a que están studies”. Am ] Epidemial 1986;124:869-876.
sujetos los estudios de casos y controles. Solo 13. Haldane JBS. The estimation and significance of
disponiendo de tales métodos será posible the logarithm of a ratio of frequencies. Ann Hum
utilizar con fiabilidad las estimaciones con Genef 1955;20:309-311.
el fin de elucidar patogénesis, formular po- 14. Anscombe FJ. On estimating binomial response
líticas y tomar decisiones individuales. Se- relations. Biomefrika 1956;43:46-464.
gundo, en años recientes hemos presencia-
15. Mantel N. Biased inferences in tests for average
do la renovación de esfuerzos para clarificar partial associations [carta]. Am Sfaf 198@~:190-
la naturaleza de los efectos causales y 191.
relacionarlos con los parámetros epidemio- 16. Woolf B. On estimating the relation between
lógicos que típicamente se estiman (88-92). blood group and disease. Ann Hum Genet
Seguramente, a medida que avance este tra- 1955;19:25-253.
bajo se enriquecerá aun más el análisis de 17. Comfield J. A statistical problem arising from
los estudios de casos y controles. retrospective studies. En: Neyman J, ed.
Proceedings of the Third Berkeley Symposium. Val 4.
Berkeley, CA: University of California Press;
RTZFERJZNCIAS 1956;135-148.
Mantel N, Haenszel W. Statistical aspects of the 18. Gart JJ, Thomas DG. Numerical results on
analysis of data from retrospective studies of approximate confidente limiis for the odds ratio. J
disease. J Nafl Cancer Insf 1959;22:719-748. R Stat Soc [BI 1972;34:441-447.
Breslow NE, Day NE. Sfafisfical methods in cancer 19. Gart JJ. Point and interval estimation of the
research.Vo1 1, The analvsis of case-control studies. common odds ratio in the combination of 2 x 2
Lyon, France: Internagonal Agency for Research tables with fixed marginals. Biomefrics 1970;
on Cancer; 1980. (IARC scientific Publication No. 26409-416.
32).
20. McKinlay SM. The effect of non-zem second-
Schlesselman JJ. Case-confrol sfudies: design, order interaction on combined estimators of the
conduct, analvsis. New York, NY: Oxford odds ratio. Biomefrika 1978;65:191-202.
University Pre&; 1982.
21. Robins J, Greeenland S, Breslow NE. A general
Rothman KJ. A show of confidente [editocal]. N estimator for the variance of the Mantel-Haenszel
Erzgl J Med 1978;299:1362-1363. odds ratio. Am ] Epidemial 1986;124:719-723.
22. Robins J, Breslow NE, Greenland S. Estimators of 39. Boivin JF, Wacholder S. Conditions for con-
the Mantel-Haenszel variance consistent in both founding of the risk ratio and of the odds ratio.
sparse data and large-strata limiting models. Am J Epi&miol1985;121:152-158.
Biometrics 1986;42311-323.
40. Greenland S, Robins JM. Identifiability, ex-
23. Becher H. The concept of residual confounding in changeability, and epidemiologic confounding.
regression models and some applications. Sfaf Inf J Epidemial 1986;15:413-419.
Med 1992;11:1747-1758.
41. Grayson DA. Confounding confounding. Am J
24. Hsieh C, Maisonneuve P, Boyle P,et al. Analysis of Epidemial 1987;126:546-553.
quantitative data by quantiles in epidemiologic
studies: classification according to cases, noncases, 42. Wickramaratne PJ, Holford TR. Confounding in
or all subjects? Epidemiology 1991;2:137- 140. epidemiologic studies: the adequacy of the con-
trol gmup asa measum of confounding. Biometics
25. Mantel N. Chi-square tests with one degree of 1987;43:751-765.
freedom: extensions of the Mantel-Haenszel
procedure. JAm Sfst Assoc 1963;58:690-700. 43. Greenland S, Morgenstem H, Poole C, et al. Re:
“Confounding confounding” [carta y respuesta
26. Breslow NE, Day NE. SfutC;tical methods in cancer del autor]. Am J Epidemial 1989;1291086-1091.
reseurch. Vo1 2, The design and analysis of cohort
studies. Lyon, France: Intemational Agency for 44. Miettinen OS. Strati6cation by a multivariate con-
Research on Cancer; 1987. (IARC Scientific founder score. Am J Epidemial 1976;104609-620.
Publication No. 82). 45. Dales LG, Ury HK. An improper use of statistical
27. Maclure M, Greenland S. Tests for trend and dose significance testing in studying covariables. Inf J
response: misinterpretations and altematives. Am Epidemial 1978;7:373-375.
J Epidemial 1992;135:96- 104. 46. Greenland S, Neutra RR. Control of confouncling
28. Miettinen OS. Theoretical epidemiology: principies of in the assessment of medical technology. Int J
occurrence researchin medicine. New York, Ny: John Epidemial 1980;9:361-367.
Wiley and Sons, Inc; 1985. 47. Kleinbaum DG, Kupper LL, Morgenstem H.
29. Kelsey JL, Thompson WD, Evans AS. Mefhods in Epidemiologic research: principies and quantitative
obseroational epidemiology. New York, Ny: Oxford mefhods. Belmont, CA: Lifetime Learning
University Press; 1986. I’ublications; 1982.
30. Kahn HA, Sempos CT. Stafistical mefhods in 48. Rothman KJ. Modern epidemiology. Boston, MA:
epidemiology. New York, Ny: Oxford University Little, Brown and Company; 1986.
Press; 1989. 49. Mickey RM, Greenland S. The impact of
31. Hosmer DW, Lemeshow S. Applied logisfic confounder selection aiteria on effect estimation.
regression. New York, Ny: John Wiley and Sons, Am J Epidemial 1989;129:125-137.
Inc; 1989. 50. Paul SR, Donner A. Small sample performance of
32. Miettinen OS. Estimation of relative risk for tests of homogeneity of odds ratios in K 2 X 2
individually matched series. Biometrics 1970; tables. Stat Med 1992;11:159-165.
2675-86. 8
51. Greenland S. Tests for interaction in epid-
33. Walter SD. Matched case-control studies with a emiologic studies: a review and a study of power. z
variable number of controls per case. Biomefnkn Sfuf Med 1983;2:243-251. e
1979;66:181-183. 2
52. Smith PG, Day NE. The des@ of case-control
34. Holford TR, White C, Kelsey JL. Multivariate studies: the influente of confounding and
interaction effects. Inf JEpidemiol1984;13:356-365. 5
analysis for matched case-control studies. Am J
Epidemial 1978;107:245-256. 2
53. Thompson WD. Effect modification and the limits 2
35. Breslow NE, Day NE, Halvorsen KT, et al. of biological infemnce from epidemiologic data. J 4
Estimation of multiple relative risk functions in Clin Epidemial 1991;4222-232.
matched case-control studies. Am J Epidemiol 3
1978;108:299-307. 54. Rothman KJ. Synergy and antagonism in cause- .
effect relationships. Am J Epidemial 1974;99:385-
388. B
36. Miettinen OS. Components of the crude risk ratio.
f
Am J Eprdemiol1972;96:168-172.
55. Rothman KJ. The estimation of synergy or ci
37. Miettinen OS. Confounding and effect- antagonism. Am J Epidemiol1976;103:506-511. E
modification. Am J Epidemial 1974;100:350-353.
56. Hosmer DW, Lemeshow S. Confidente interval
38. Miettinen OS, Cook EE Confounding: essence estimation of interaction. Epidemiology 1992;
and detection. Am J Epidemial 1981;114:593-603. 3452-456. 59
57. Koopman JS. Interaction between discrete causes. confidente intervals for measurement error: the
Am J Epidemial 1981;113:716-724. case of multiple covariates measuxed with error.
Am J Epidemial 1990;132:734-745.
58. Walker AM. Proportion of disease attributable to
the combined effect of two factors. lnf J Epidemial 75. Rosner B, Spiegelman D, Willett WC. Conection
1981;10:81-85. of logistic regression relative risk estimates and
confidente intervals for random within-person
59. Greenland S. Additive risk versus additive
measurement error. Am J Epidemiol 1992;136:
relative risk models. EpidemioZogy 1993;4:32-36.
1400-1413.
60. Thomas DC. General relative-risk models for
survival time and matched case-control analysis. 76. Hosmer DW, Taber S, Lemeshow S. Tl-te im-
Biomefrics 198137:673-686. portance of assessing the fit of logistic regression
models: a case studv. Am J Public HeaIth 1991;
61. Breslow NE, Storer BE. General relative risk 81:1630-1635. ’
functions for case-control studies. Am J Epidemial
1985;122:149-162, 77. Dubin N, Pastemack BS. Risk assessment for case-
control subgroups by polychotomous logistic
62. Moolgavkar SH, Venzon DJ. General mlative risk regression. Am J Epidemial 1986;123:1101-1117.
regression models for epidemiologic studies. Am J
Epidemial 1987;126:949-961. 78. Liang K-Y, Stewart WF. Polychotomous logistic
regression methods for matched case-control
63. Correa A, Stewart WF, Yeh H-C, et al. Exposure
studies with multiple case or control groups. Am J
measurement in case-control studies: reported
Epidemial 1987;125:720-730.
methods and recommendations. Epidemial Reo
1994;16:18-32. 79. Thompson WD. Assessing etiologic heterogeneity
64. Copeland KT, Checkoway H, McMichael AJ, et al. [resumen]. Am J Ep&miol1990;132:780.
Bias due to misclassification in the estimation of
relative risk. Am J Epidemial 1977;105:488-495. 80. Robins JM, Greenland S. The role of model
selection in causal inference from nonexperi-
65. Schildkraut JM, Thompson WD. Familia1 ovarian mental data. Am J Epidemial 1986;123:392-402.
cancer: a population-based case-control study. Am
J Epidemial 1988;12&:456-466. 81. Vandenbroucke JI? Should we abandon statistical
modeling altogether? Am J Epidemial 1987;126:
66. Flegal KM, Brownie C, Haas JD. The effects of 10-13.
exposure misclassification on estimates of mlative
risk. Am J Epidemial 1986;123:736-751. 82. Greenland S. Modeling and variable selection in
epidemiologic analysis. Am J Public Health
67. Dosemeci M, Wacholder S, Lubin JH. Does non- 1989;79:340-349.
differential misclassification of exposure always
bias a true effect toward the null value? Am I 83. Maldonado G, Greenland S. Interpreting model
Epidemial 1990;132:746-748. coefficients when the true model form is
68. Creen MS. Use of predictive value to adjust unknown. Epidemiology 1993;4:310-318.
relative risk estimates biased by misclassification 84. Rothman KJ. No adjustments are needed for
of outcome status. Am J Epidemial 1983;117:98-105.
multiple comparisons. Epidemiology 1990;1:43-46.
% 69. Thompson WD. Kappa and attenuation of the
w odds ratio. Epidemiology 1990;1:357-369. 85. Thomas DC, Siemiatycki J, Dewar R, et al. The
?‘ problem of multiple inference in studies designed
2. 70. Greenland S. The effect of misclassification in me to generate hypotheses. Am J Epidemial 1985;
presente of covariates. Am J Epidemiol 1980; 122:1080-1095.
5 112564-569.
ñ 86. Greenland S, Robins JM. Empirical-Bayes
s 71. Savitz DA, Barón AE. Estimating and correctlng adjustments for multiple comparisons are
2 for confounder misclassification Am J Epidemial sometimes useful. Epidemiology 1991;2:244-251.
.1= 1989;129:1062-1071.
E 87. Greenland S. A semi-Bayes approach to the
72. Phillips AN, Smith GD. Bias in relative odds
v, analysis of correlated multiple associations, with
estimation owing to imprecise measurement of
an application to an occupational cancer-
.g correlated exposums. Sfuf Med 1992;11:953-961.
mortality study Stat Med 1992;11:219-230.
73. Armstrong BG, Whittemore AS, Howe GR.
Analvsis of case-control data with covariate 88. Greenland S. lnterpretation and choice of effect
measurement error: application to diet and colon measures in epidemiologic analyses. Am J
cancer. Stat Med 1989;8:1151-1163. EpidemioI 1987;125:761-768.
74 Rosner B, Spiegelman D, Willett WC. Correction 89. Greenland S, Poole C. Invariants and non-
60 of logistic regression mlative risk estimates and invariants in the concept of interdependent
effects. Stand J Work Environ Health 1988;14:125- 91. Robins JM, Greenland S. The probability of
129. causation under a stochastic model for individual
risk. Biometrics 1989;45XE-1138.
90. Greenland S, Robins JM. Conceptual problems
in the definition and interpretation of at- 92. Robins JM, Greenland S. Identifiability and
tributable fractions. Am J Epidemial 1988;128: exchangeability for direct and indirect effects.
1185-1197. Epidemiology 19923:143- 155.
II ConferenciaInternacional
de Psicologíade la Salud