Utilização de diagramas causais e a comunicação de fontes de incerteza em estudos observacionais / Use of causal DAG and reporting of uncertainty in observational studies

Os diagramas causais (gráficos acíclicos direcionados ­ DAG) têm sido apontados como uma das principais ferramentas que podem contribuir para a qualidade metodológica e do relato de estudos observacionais. No entanto, pouco se sabe sobre como essas ferramentas têm sido utilizadas nas investigações empíricas. Neste trabalho, foi realizada uma revisão da literatura com o objetivo de descrever o quanto, como e onde os diagramas causais têm sido utilizados em estudos observacionais analíticos nos últimos 18 anos. Foram realizadas buscas por citações e pesquisas por palavras-chaves nas bases de dados do PubMed e Web of Science. Em uma amostra de 100 artigos que apresentaram a estrutura causal, foram avaliadas as características dos modelos gráficos e o relato de confundimento. Além disso, foi realizada uma análise comparativa do relato das limitações do estudo e da frequência de marcadores linguísticos de incerteza (hedges) nos artigos com e sem a utilização de DAG causais. Foram identificadas 1034 publicações, totalizando 5021 autores e 85 países de afiliação. Apenas 430 artigos (42%) forneceram a estrutura gráfica. A maioria das publicações contém apenas um DAG causal (87%) e poucos modelos gráficos contêm confundidores não observados (23%), ou a representação de erros de mensuração (6%) e mecanismos de seleção (3%). O relato de modificações no conjunto de ajuste foi observado em 19% das publicações. Além disso, 20% foram classificadas como possível ocorrência da falácia da tabela 2. O número de limitações do estudo reconhecidas pelos autores e a frequência de marcadores de incerteza foram semelhantes nas amostras de artigos com e sem diagramas causais. No entanto, o relato de avaliações quantitativas das limitações do estudo foi mais frequente entre os artigos com DAG (52% vs. 21%). Há necessidade de mais discussões e estudos sobre a construção e análise de modelos causais e o desenvolvimento de recomendações gerais para apresentação de DAG causais nos artigos científicos

Calculando o tamanho de efeito no SPSS / Calculating the Effect Size in SPSS

O tamanho de efeito é uma estatística descritiva que serve como complemento aoteste de significância estatística. Cada vez mais esse tipo de abordagem vem sendoestimulada, em alguns casos até exigida, pelas publicações da área científica.Foram escolhidas algumas medidas de tamanho de efeito para uma explicaçãomais detalhada: o tamanho de efeito de d de Cohen, g de Hedges, D de Glass paracomparação das médias de dois grupos e o f2 de Cohen utilizado na análise demedidas correlacionadas. Esses tamanhos de efeito foram calculados em exemplosobtidos a partir de simulação usando o SPSS v.18.0.0.

Effect size is a descriptive statistic that complements the statistical significancetest. The use of this type of approach has been increasingly stimulated, or evenrequired, in scientific publications. We selected some measures of effect size inorder to provide a more detailed explanation: the effect size of Cohen’s d, Hedges’g, Δ of Glass for comparison of the means of two groups, and Cohen’s f² was used inthe analysis of correlated measures. These effect sizes were calculated in samplesobtained from simulation using the SPSS v.18.