Trots kända nackdelar används fortfarande parametriska regressionsmodeller såsom cox-regression och logistisk regression som standardanalys när man söker efter riskfaktorer för sjukdomar och andra händelser med observationsdata.
I en observationsstudie där målet är att studera riskfaktorer för sjukdomar är ofta syftet med regressionsmodellen att justera för bakgrundsvariabler (confounding). Det finns begränsningar när man tolkar koefficienter som effekter av enskilda riskfaktorer i regressionsmodeller. Förutom modellantaganden, är det vanligt att man inte tar hänsyn till den kausala strukturen mellan bakgrundsvariabler i modellen viket kan leda till att analysen inte blir korrekt. En nackdel är också att koefficienterna inte kan användas för jämförelser mellan länder, regioner eller olika riskgrupper.
Inom forskningsområdet kausal inferens studeras kausala parametrar, estimander, av särskild relevans för att studera effekter i av riskfaktorer i observationsstudier. För att förbättra riskfaktorstudierna och kunskapsbildning för beslutsfattande föreslår vi ny forskning i tre områden:
1. Estimander och identifikation av risk-faktorer i en kausal struktur.
2. Estimander och mått på variablers inflytande.
3. Tillämpningar av metoderna på registerstudier för två sjukdomar: Typ1 diabetes och njursvikt.
Datat som ska analyseras innehåller en rik mängd av medicinska och socioekonomiska variabler på individnivå genom länkningar till registerdata från SCB och Socialstyrelsen.