#Leitura Indicada
#Leitura Indicada
03.02.2026
Inferência causal para além da estatística
Artigo clássico mostra que estabelecer relações de causa e efeito exige teoria, contexto e múltiplas evidências — não apenas bons modelos estatísticos
O artigo Causal inference—so much more than statistics, publicado em 2016, apresenta conceitos importantes de inferência causal com exemplos familiares a epidemiologistas | Imagem: Unsplash
O QUE RECOMENDO?
O artigo Causal inference—so much more than statistics, de 2016, publicado no International Journal of Epidemiology por por Neil Pearce e Deborah Lawlor. O texto oferece uma introdução à inferência causal baseada no trabalho do filósofo e cientista da computação israelense-estadunidense Judea Pearl.
POR QUE ESTE ARTIGO É RELEVANTE?
O artigo discute como a inferência causal, ou seja, como podemos afirmar que X causa Y, vai muito além da estatística utilizada nas pesquisas.
O texto introduz a relação entre estatística e causalidade, conceitos fundamentais de causalidade e DAGs (grafos acíclicos direcionados, do inglês directed acyclic graphs).
Os autores destacam que o processo de inferência causal depende de múltiplos fatores que transcendem o tipo de análise estatística aplicada a um conjunto de dados.
O QUE FAZ DESTE ARTIGO UMA LEITURA IMPERDÍVEL?
O texto apresenta conceitos importantes de inferência causal com exemplos familiares a epidemiologistas, especialmente na explicação e aplicação de DAGs. Porém, o que torna esta leitura imperdível é a discussão sobre as limitações dos DAGs.
Atualmente, essa ferramenta é amplamente utilizada na epidemiologia, mas frequentemente tratada como uma “bala de prata” para inferência causal.
O artigo argumenta que DAGs são apenas uma ferramenta — nem necessária nem suficiente para tornar uma pesquisa “causal”.
Além disso, o texto introduz o conceito de triangulação: a combinação de evidências obtidas por múltiplos estudos, utilizando diferentes abordagens metodológicas, é fundamental para a construção de teorias e para fornecer respostas causais mais robustas.
Thiago Cerqueira Silva é médico e doutor pela Universidade Federal da Bahia (UFBA). Realizou pós-doutorado na Fundação Oswaldo Cruz (Fiocruz), atuando na área de efetividade vacinal e vigilância epidemiológica. Atualmente é professor assistente do departamento de estatística médica da Escola de Higiene e Medicina Tropical de Londres.
Os artigos opinativos não refletem necessariamente a visão do Science Arena e do Einstein.
*
É permitida a republicação das reportagens e artigos em meios digitais de acordo com a licença Creative Commons CC-BY-NC-ND.
O texto não deve ser editado e a autoria deve ser atribuída, incluindo a fonte (Science Arena).
