casa |  | Saúde e Doença >  | Saúde da Família | Pediatria

Disponibilidade e Integridade de Dados: Estratégias para Lidar com Informações Ausentes

Dados incompletos são um desafio universal em pesquisa, análise de negócios, saúde e políticas públicas. A frase "o número de pessoas que obtêm não é especificado" reflete uma realidade fundamental: os conjuntos de dados raramente capturam tudo o que precisamos. Este guia fornece uma abordagem estruturada para avaliar, abordar e comunicar lacunas de dados.

Tipos de Dados Ausentes (Estrutura de Rubin)

• MCAR (Ausentes Completamente ao Acaso): Ausência não relacionada a nenhum dado observado ou não observado. Exemplo: Página de questionário perdida no correio. Rara na prática.
• MAR (Ausentes ao Acaso): Ausência depende de dados observados, mas não não observados. Exemplo: Respondentes de maior renda menos propensos a reportar renda (renda observada para outros).
• MNAR (Ausentes Não ao Acaso): Ausência depende do próprio valor não observado. Exemplo: Pessoas com depressão grave menos propensas a completar questionário de depressão. Mais problemático.

Diagnóstico de Padrões de Ausência

• Mapas/mapas de calor de ausência: Visualizar padrões entre variáveis e observações.
• Teste de MCAR de Little: Teste estatístico (poder limitado com N grande).
• Regressão logística de indicadores de ausência: Predizer ausência a partir de variáveis observadas → evidência para MAR.
• Análise de sensibilidade: Testar como as conclusões mudam sob diferentes suposições MNAR.

Estratégias para Abordar Dados Ausentes

1. Prevenção (Melhor Estratégia)

• Delineamento do estudo: Minimizar ônus, testar instrumentos piloto, protocolos de acompanhamento.
• Coleta de dados: Validação em tempo real, campos obrigatórios, incentivos.
• Vínculo administrativo: Suplementar pesquisas com dados de registros/prontuários eletrônicos.

2. Análise de Casos Completos (Exclusão por Lista)

• Válida apenas sob MCAR (imparcial, mas ineficiente).
• Sob MAR/MNAR: Estimativas enviesadas, poder reduzido.
• Aceitável se <5% ausentes e MCAR plausível.

3. Imputação Simples (Geralmente Desencorajada para Análise)

• Imputação por média/mediana/moda: Subestima variância, distorce distribuições.
• Imputação por regressão: Superestima precisão.
• Última observação carregada para frente (LOCF): Viesada para dados longitudinais.
• Use apenas para resumos descritivos ou trabalho exploratório.

4. Imputação Múltipla (MI) — Padrão Ouro para MAR

1. Imputar: Criar m (tipicamente 20-100) conjuntos de dados completos usando equações encadeadas (MICE) ou modelagem conjunta.
2. Analisar: Executar análise idêntica em cada conjunto de dados.
3. Pool: Combinar estimativas usando as regras de Rubin (variância dentro + entre imputações).

Requisitos: Incluir todas as variáveis de análise + preditores de ausência + variáveis auxiliares. Verificar convergência, diagnósticos de imputação.

5. Máxima Verossimilhança / FIML (Full Information ML)

• Estima parâmetros diretamente usando todos os dados observados (sem etapa de imputação).
• Padrão em SEM (lavaan, Mplus), modelos mistos (lme4, nlme).
• Assume MAR; eficiente e imparcial sob especificação correta do modelo.

6. Ponderação pela Probabilidade Inversa (IPW)

• Ponderar casos completos pela probabilidade inversa de serem observados.
• Requer especificação correta do modelo de ausência.
• Útil para não-resposta de pesquisas, censura.

7. Análise de Sensibilidade para MNAR

• Modelos de mistura de padrões: Parâmetros diferentes para padrões ausentes vs. observados.
• Modelos de seleção: Modelo conjunto de desfecho e mecanismo de ausência.
• Ajuste delta / ponto de virada: Deslocar valores imputados sistematicamente; encontrar onde a conclusão muda.
• Elicitação de especialistas: Quantificar desvios MNAR plausíveis.

Padrões de Relatório (Transparência)

• Diagrama de fluxo: Triagem → Elegíveis → Incluídos → Analisados (CONSORT/STROBE).
• Ausência por variável: Contagem, porcentagem, padrão.
• Comparação: Casos completos vs. incompletos em variáveis observadas.
• Método: Declaração explícita da abordagem, suposições, software, diagnósticos.
• Sensibilidade: Resultados sob suposições alternativas.

Estrutura de Decisão Prática

1. Quantificar: Quanto falta? Quais variáveis? Padrão monotônico ou arbitrário?
2. Diagnosticar: Teste MCAR, preditores de ausência, plausibilidade temática de MAR vs. MNAR.
3. Selecionar método: MI (propósito geral), FIML (SEM/longitudinal), IPW (pesquisa), casos completos (MCAR mínimo).
4. Implementar com cuidado: Incluir variáveis auxiliares, verificar diagnósticos, usar m suficiente.
5. Analisar sensibilidade: Pelo menos, comparar resultados de casos completos vs. MI.
6. Reportar com transparência: Permitir que o leitor julgue a credibilidade.

Dados ausentes não são um incômodo técnico—é um desafio de delineamento e inferência. O objetivo não é "preencher" números, mas fazer inferências válidas enquanto representa honestamente a incerteza.