Una variable ajena que precede a la exposición, está asociada causal o estadísticamente tanto con la exposición como con el desenlace y no es consecuencia de la exposición; si no se considera puede sesgar la relación estimada entre exposición y desenlace.

Principio

Si una variable está asociada con exposición y desenlace y no está en la vía causal, no controlarla puede producir estimaciones sesgadas; los confundidores medidos pueden controlarse por diseño o análisis para reducir el sesgo.

Demostración

Escenario ilustrativo → Un estudio observa asociación entre consumo de café y cáncer de pulmón. Reconocimiento → Fumar es común entre los bebedores de café y causa cáncer de pulmón. Acción → Se mide historial de tabaquismo y se ajustan las estimaciones (estratificación o regresión). Consecuencia → La asociación aparente café–cáncer se atenúa, indicando confusión por tabaquismo.

Aplicación incorrecta

Tratar un mediador o un colisionador (collider) como confundidor y ajustarlo. Parece plausible porque la variable está asociada a exposición y desenlace, pero si está en la vía causal (mediador) o es causada por ambos (collider), el ajuste induce sesgo.

Consecuencia

La confusión no controlada puede generar asociaciones espurias, ocultar efectos causales reales o invertir la dirección aparente del efecto, conduciendo a inferencias causales y decisiones erróneas.

Inversión

La aleatorización o un instrumento válido rompen la asociación exposición–confundidor y eliminan la confusión bajo sus supuestos; no obstante, persiste confusión residual si los confundidores no se miden, se miden mal o varían en el tiempo sin métodos apropiados.

Límite

Claramente dentro: un factor socioeconómico anterior a la exposición, asociado con ambos y no causado por la exposición. Caso límite: una variable preexposición débilmente asociada al desenlace — su clasificación depende del modelo causal y del tamaño muestral. Claramente fuera: un mediador postexposición o un collider cuyo ajuste crea sesgo.

Tensión semántica

Tensión entre controlar la confusión (para obtener estimaciones causales no sesgadas) y el riesgo de sobreajuste (eliminar efectos por vías causales o aumentar la varianza), y las limitaciones prácticas de la medición.

Síntesis

La confusión declara algo sobre la estructura causal, no solo sobre asociación estadística: su correcta identificación exige orden temporal y un modelo causal explícito (p. ej. DAGs) para decidir qué ajustar.