Tópico 2 - Causalidade

Uma breve introdução ao santo graal da ciência de dados

Resultados Esperados

  • Entender qual o problema de causalidade
  • Entender a diferença entre estudos randomizados e observacionais

Material Adaptado do Data 8 (Berkeley)

Sumário

  1. Introdução
  2. Experimentos Randomizados Controlados
    1. Exemplo: Subsídios sociais no México.
  3. Benefícios da Randomização
  4. E se você não puder randomizar?
  5. Estudos Observacionais

Slides

Esta página ainda está sendo escrita. Por enquanto, leia as referências em livro. Lembre-se que este material é uma apostila (incompleta), não um livro!

Boa parte deste material introdutório é uma tradução do: Data8

Introdução

Ciência de Dados trata de tirar conclusões úteis de conjuntos de dados grandes e diversos por meio de exploração, previsão e inferência. A exploração envolve a identificação de padrões nas informações. A previsão envolve o uso de informações que conhecemos para fazer suposições informadas sobre valores que gostaríamos de saber. A inferência envolve quantificar o nosso grau de certeza: os padrões que encontramos nos nossos dados também aparecerão em novas observações? Quão precisas são nossas previsões? Nossas principais ferramentas para exploração são visualizações e estatísticas descritivas, para previsão são aprendizado de máquina e otimização e para inferência são testes e modelos estatísticos.

A estatística é um componente central da ciência de dados porque a estatística estuda como tirar conclusões robustas com base em informações incompletas. A computação é um componente central porque a programação nos permite aplicar técnicas de análise aos grandes e diversos conjuntos de dados que surgem em aplicações do mundo real: não apenas números, mas textos, imagens, vídeos e leituras de sensores. Ciência de dados é tudo isso, mas é mais do que a soma de suas partes por causa das aplicações. Ao compreender um domínio específico, os cientistas de dados aprendem a fazer perguntas apropriadas sobre seus dados e a interpretar corretamente as respostas fornecidas por nossas ferramentas inferenciais e computacionais.

Experimentos Randomizados Controlados

O padrão outro da ciência de dados são os Experimentos Randomizados Controlados (do inglês Randomized Controlled Experiment - RCT). Em tais estudos, conseguimos separar nossa base de dados em dois grupos: (1) o de controle; (2) o de tratamento. Para tal, fazemos uso de um gerado de números aleatórios, ou uma moeda, para separar os dados de interesse nos grupos.

Para entender melhor, pense nos estudos da vacina de Covid. Alguns indivíduos recebiam vacinas (o grupo de tratamento), outros placebo (o grupo de controle).

Se você conseguir randomizar os indivíduos nos grupos de tratamento e controle, estará realizando um experimento controlado randomizado, também conhecido como ensaio clínico randomizado (RCT). Às vezes, as respostas das pessoas numa experiência são influenciadas pelo facto de saberem em que grupo pertencem. Portanto, poderá querer realizar uma experiência cega em que os indivíduos não sabem se estão no grupo de tratamento ou no grupo de controlo. Para que isso funcione, você terá que dar ao grupo de controle um placebo, que é algo que se parece exatamente com o tratamento, mas na verdade não tem efeito.

Experimentos controlados randomizados têm sido há muito tempo um padrão ouro na área médica, por exemplo, para estabelecer se um novo medicamento funciona. Eles também estão se tornando mais comumente usados em outras áreas, como a economia.

Exemplo: Subsídios sociais no México.

Nas aldeias mexicanas da década de 1990, as crianças das famílias pobres muitas vezes não estavam matriculadas na escola. Um dos motivos era que os filhos mais velhos podiam trabalhar e assim ajudar no sustento da família. Santiago Levy, ministro do Ministério das Finanças mexicano, decidiu investigar se os programas de assistência social poderiam ser usados para aumentar as matrículas escolares e melhorar as condições de saúde. Ele conduziu um ECR em um conjunto de aldeias, selecionando algumas delas aleatoriamente para receber um novo programa de bem-estar chamado PROGRESA. O programa dava dinheiro às famílias pobres se os seus filhos frequentassem a escola regularmente e a família utilizasse cuidados de saúde preventivos. Foi dado mais dinheiro se as crianças frequentassem a escola secundária do que a escola primária, para compensar os salários perdidos das crianças, e foi dado mais dinheiro às raparigas que frequentavam a escola do que aos rapazes. As demais aldeias não receberam esse tratamento e formaram o grupo controle. Devido à randomização, não houve fatores de confusão e foi possível constatar que o PROGRESA aumentou a escolarização. Para os meninos, a matrícula aumentou de 73% no grupo de controle para 77% no grupo PROGRESA. Para as meninas, o aumento foi ainda maior, de 67% no grupo de controle para quase 75% no grupo PROGRESA. Devido ao sucesso desta experiência, o governo mexicano apoiou o programa com o novo nome OPORTUNIDADES, como um investimento numa população saudável e bem educada.

Benefícios da Randomização

O método de randomização pode ser tão simples quanto jogar uma moeda. Também pode ser um pouco mais complexo. Mas todo método de randomização consiste em uma sequência de etapas cuidadosamente definidas que permitem que as chances sejam especificadas matematicamente. Isto tem duas consequências importantes.

  • Permite-nos explicar – matematicamente – a possibilidade de a aleatorização produzir grupos de tratamento e de controlo bastante diferentes entre si.

  • Isso nos permite fazer afirmações matemáticas precisas sobre as diferenças entre os grupos de tratamento e de controle. Isto, por sua vez, ajuda-nos a tirar conclusões justificáveis sobre se o tratamento tem algum efeito.

E se você não puder randomizar?

Em algumas situações pode não ser possível realizar uma experiência aleatória controlada, mesmo quando o objetivo é investigar a causalidade. Por exemplo, suponha que você queira estudar os efeitos do consumo de álcool durante a gravidez e designe aleatoriamente algumas mulheres grávidas para o seu grupo de “álcool”. Você não deve esperar a cooperação deles se lhes oferecer uma bebida. Em tais situações, quase invariavelmente você estará conduzindo um estudo observacional, não um experimento. Esteja alerta para fatores de confusão.

Em casos como estes, realizamos estudos observacionais.

Estudos Observacionais

Quando não conseguimos randomizar, estamos realizando um estudo observacional. Ou seja, aqui não conseguimos realizar experimentos e essa é a realidade de grande parte da ciência de dados.

Então ciência de dados não pode ter conclusões causais sem estudos randomizados controlados? Essa é uma pergunta complexa que abre todo uma área de estudo chamada de Causalidade. De um ponto de vista simples, sim o RCT é a melhor ferramenta para causalidade e o padrão outro. Porém, a existência de um padrão ouro não inibe outras formas de argumentar a favor da causalidade. Um desses casos é o de John Snow, sumarizado no link abaixo.

Ler aqui.