Principal Otro Mediación causal

Mediación causal

Descripción general

Software

Descripción

Sitios web

Lecturas

Cursos

Descripción general

Esta página compara brevemente el análisis de mediación de los marcos de inferencia tradicional y causal. Se proporciona una lista de recursos anotada, seguida de un artículo sugerido para un futuro proyecto Epi 6 relacionado con la mediación causal.

Descripción

¿Qué es la mediación?
La mediación es el proceso mediante el cual una exposición provoca una enfermedad. En el diagrama simple a continuación, examinamos el efecto total de la exposición sobre el resultado.

Los investigadores pueden plantear la hipótesis de que parte o la totalidad del efecto total de la exposición sobre un resultado opera a través de un mediador, que es un efecto de la exposición y una causa del resultado. Cuando se plantea la hipótesis de un mediador, el efecto total se puede dividir en dos partes: el efecto directo y el indirecto. El efecto directo es el efecto de la exposición sobre el resultado en ausencia del mediador. La vía indirecta es el efecto de la exposición sobre el resultado que actúa a través del mediador.

¿Por qué preocuparse por la mediación?
Hay muchas motivaciones para realizar un análisis de mediación, pero el objetivo general es la explicación causal. Otras razones más específicas incluyen: aumentar la validez de constructo, fortalecer la evidencia de la hipótesis del efecto principal, comprender los mecanismos y los ingredientes activos por los cuales la exposición causa enfermedad y evaluar y mejorar las intervenciones (es decir, identificar los resultados sustitutos). La motivación detrás de un análisis de mediación está relacionada con qué efecto, directo o indirecto, el investigador quiere aislar y esto depende de los intereses de investigación de uno. Por ejemplo, si un investigador está interesado principalmente en eliminar las vías mediadas que no son de interés para fortalecer su evidencia de una relación exposición-resultado, el efecto de interés es el efecto directo. Por otro lado, si los mecanismos subyacentes por los cuales la exposición causa enfermedad son de interés, el investigador puede estar más interesado en estimar el efecto indirecto.

¿Cómo se ha examinado tradicionalmente la mediación en la literatura?

Enfoque cualitativo (pasos causales de Baron y Kenny)

El enfoque tradicional de la mediación, lo que hemos aprendido en la mayoría de nuestras clases de epidemiología y bioestadística, fue propuesto por Baron y Kenny en 1986 (una versión anterior apareció en Judd y Kenny, 1981). Los cuatro pasos para la identificación de un mediador se resumen como:

  1. Pruebe el efecto total de X en Y

  2. Prueba la relación entre X y M

  3. Pruebe la relación entre M e Y, controlando por X

  4. Declarar si M es mediador total o parcial.

En epidemiología, el último paso se utiliza comúnmente, es decir, colocar el mediador propuesto en un modelo y evaluar si hay una reducción apreciable en la magnitud de la estimación del parámetro comparando la estimación ajustada con la estimación bruta. Normalmente, se utiliza una métrica arbitraria como la regla del 10% para definir 'apreciable'.

Enfoque cuantitativo (método de producto de Baron y Kenny o método de diferencia)

Se puede adoptar un enfoque más cuantitativo de la mediación obteniendo una estimación de las vías totales, directas e indirectas. En las figuras simples anteriores, la estimación del efecto total es el valor de la estimación del parámetro para la exposición cuando el resultado se regresa a la exposición; el efecto directo es la estimación del parámetro para la exposición cuando el resultado se retrocede sobre la exposición y el mediador.

efectos de la bomba de hidrógeno en los seres humanos

El efecto indirecto se puede calcular mediante un método de producto o de diferencia. Utilizando el método del producto, la estimación del parámetro para la exposición en el modelo XàM se multiplica por la estimación del parámetro para el mediador en el modelo MàY, ajustada por X (a * b). El método de la diferencia simplemente resta el efecto directo del total (c-c ') para obtener el efecto indirecto. Es de destacar que, debido a que la estimación del efecto indirecto simplemente requiere multiplicar o restar dos estimaciones de parámetros, obtener una estimación de la significancia estadística del efecto indirecto es complicado y requiere un cálculo manual o el uso de una macro de algún tipo.

Limitaciones del enfoque tradicional

Hay dos limitaciones principales del enfoque tradicional para estimar los efectos directos e indirectos.

Primero, la descomposición del efecto (el hecho de que los efectos directos e indirectos suman el total) usando el método del producto o la diferencia solo funciona en el caso especial donde se usa la regresión lineal para los modelos de mediador y resultado y cuando no hay interacción exposición-mediador . Si existe interacción y se utiliza el enfoque tradicional, las estimaciones del efecto obtenidas no serán interpretables. Un punto que vale la pena señalar sobre la evaluación de la mediación con resultados binarios cuando el resultado es común es que, debido a la falta de colapso de la razón de probabilidades, el enfoque tradicional de la mediación, incluso si no hay interacción X-M, dará como resultado una estimación no interpretable. Específicamente, esto le daría una prueba conservadora de mediación (consulte el libro de texto de VanderWeele para obtener más información).

En segundo lugar, una suposición a menudo ignorada de este enfoque no es una confusión no medida de la ruta M-Y. Esta suposición puede violarse tanto en los estudios observacionales como en los ECA porque, si bien la exposición a veces puede ser aleatorizada, a menudo no es el caso que tanto la exposición como el mediador sean aleatorizados.

Mediación causal

Los métodos de inferencia causal para el análisis de mediación (mediación causal) son una extensión del enfoque tradicional, desarrollado para abordar mejor las principales limitaciones descritas anteriormente. En primer lugar, estos métodos permiten la descomposición del efecto en presencia de interacción X-M definiendo los efectos directos e indirectos (controlados o naturales) a partir de un marco de resultados potenciales (PO) y desarrollando estimaciones de estas cantidades que no son específicas del modelo. En segundo lugar, la mediación causal explica claramente los cuatro supuestos principales para estimar los efectos directos e indirectos, proporcionando claridad a los supuestos de confusión no medidos necesarios para realizar un análisis de mediación. El enfoque de mediación causal hace hincapié en la realización de análisis de sensibilidad para examinar la solidez de los hallazgos frente a las violaciones de estos supuestos.

Hay cuatro supuestos principales en la mediación causal. Estos supuestos son esencialmente los mismos que los necesarios para realizar análisis de mediación en el marco tradicional, pero se establecen de forma clara y directa. Hay dos tipos de efectos directos e indirectos: controlados y naturales. Para estimar los efectos controlados se requieren los dos primeros supuestos; los cuatro son necesarios para estimar los efectos naturales.

Los efectos directos e indirectos naturales y directos controlados se pueden definir utilizando la notación PO y las estimaciones se pueden obtener utilizando las fórmulas de mediación de Pearl. En ausencia de interacción, todos los efectos directos son iguales (y son equivalentes al enfoque tradicional) y todos los efectos indirectos son iguales. Cuando la interacción X-M está presente, obtiene tantos efectos directos controlados como niveles del mediador. Por el contrario, en presencia de interacción, solo se obtiene una estimación para el efecto directo natural (ya sea puro o total) y una estimación para el efecto indirecto natural (ya sea puro o total) y estas estimaciones suman el efecto total. El hecho de que decida estimar el efecto directo / indirecto natural puro o total depende de a qué estimación desea atribuir la interacción X-M. Es decir, puede estimar el efecto indirecto puro y el efecto directo total, o el efecto indirecto total y el efecto directo puro; dependiendo de la combinación elegida, la interacción X-M se absorbe en el efecto directo o indirecto, respectivamente.

Las definiciones de PO y las ecuaciones de Pearl para cada efecto son las siguientes:

Definiciones de PO:

Efecto directo controlado:

  • Y1m-Y0m, donde establecemos M = m

Efecto directo natural:

  • Puro: Y1M0-Y0M0

  • Total: Y1M1-Y0M1

Efecto indirecto natural:

  • Puro: Y0M1-Y0M0

  • Total: Y1M1-Y1M0

Estimación de cantidades de PO (fórmula de mediación de Pearl)

Estas ecuaciones están simplificadas y solo se muestran las estimaciones de los efectos indirectos totales y directos puros; en realidad, también necesitaría condicionar los factores de confusión en cada fórmula.

Efecto directo controlado:

  • E [Yxm-Yx * m] = E [Y | x, m] -E [Y | x *, m]

Efecto directo puro: toma el CDE para todos los valores de my lo pondera por P (mediador | no expuesto); la ponderación por P (mediador | expuesto) proporcionaría una estimación del efecto directo total.

  • E [YxMx * -Yx * Mx *] = ∑mx *, m] P (m | x *)

Efecto indirecto total

  • E[YxMx-YxMx*]=∑mE[Y|x,m]x*)

Efectos controlados vs naturales

La estimación de las cantidades de PO destaca un área de controversia en la literatura sobre mediación causal, un debate en torno a las estimaciones de efectos controlados versus naturales. Los efectos naturales requieren suposiciones adicionales para obtener estimaciones, y algunos investigadores creen que estas suposiciones son demasiado fuertes. Específicamente, cuando se estiman los efectos naturales, se necesita una suposición 'contrafactual entre mundos', que en la aplicación es la ponderación de nuestro efecto directo controlado por la proporción del mediador entre un nivel particular de exposición. Los efectos controlados requieren menos suposiciones y son prescriptivos en su enfoque de tipo RCT al asignar hipotéticamente el mismo valor del mediador a todos los individuos de la población. Algunos consideran que los efectos controlados tienen más relevancia política que los efectos naturales (véase Naimi et al, 2014).

En contraste, los efectos naturales examinan la mediación desde una perspectiva más descriptiva, con énfasis en la comprensión de los mecanismos. Para hacerlo, se debe permitir que el mediador varíe como lo haría naturalmente bajo una condición de exposición particular en lugar de fijarlo en un nivel particular para todos. Aunque se requieren más suposiciones, un beneficio importante de los efectos naturales es que la descomposición del efecto funciona en presencia de interacción: puede obtener una estimación del efecto directo e indirecto. Esto permite estimar la proporción del efecto total debido al mediador (la proporción mediada) que no es posible estimar mediante efectos controlados, dado que existen tantos efectos directos controlados como estratos del mediador.

Ejemplos de aplicación

El campo de la mediación causal es bastante nuevo y las técnicas surgen con frecuencia. A continuación se presentan resúmenes de dos herramientas de mediación causal fáciles de implementar en un software familiar para la mayoría de los epidemiólogos.

Macro SAS

La macro SAS es un enfoque basado en regresión para estimar efectos directos e indirectos naturales y directos controlados. Esta macro maneja fácilmente la descomposición en efectos directos e indirectos en presencia de interacción XM y permite que X, M e Y adopten varias formas: la exposición y el mediador pueden ser binarios o continuos y el resultado puede ser continuo, binario (logístico o modelos log-lineales), recuento (modelos de poisson o binomiales negativos) o tiempo hasta el evento (modelos de riesgos proporcionales o tiempo de falla acelerado). La macro también puede manejar datos que utilizan varios diseños de estudio. Un beneficio importante de usar una macro de este tipo, independientemente de si desea o no modelar la interacción X-M, es que obtiene una estimación del efecto indirecto y su nivel de significancia en su salida.

Paquete de mediación R

El paquete de mediación causal de R, la mediación, utiliza simulaciones para estimar los efectos directos e indirectos cuando hay interacción X-M. Lo hace modelando la interacción en el modelo de regresión de resultados y usando la función mediate () para estimar los efectos directos e indirectos naturales basados ​​en la fórmula de mediación de Pearl. Si los investigadores no están seguros de si deben modelar la interacción X-M, se puede realizar una prueba formal de la interacción X-M utilizando la prueba de función. TMint (); un hallazgo significativo implica que el supuesto de interacción no X-M no se cumple. Para abordar la segunda limitación del enfoque tradicional, una función de análisis de sensibilidad, medsens (), permite a los investigadores examinar, a través de simulaciones, la solidez de sus hallazgos frente a posibles factores de confusión M-Y no medidos. Los resultados de todos los análisis se muestran mediante las funciones de resumen () y trazado ().

cómo lidiar con compañeros de trabajo pasivos agresivos

En conclusión: Entonces, qué hacer ...

Cuando no hay interacción exposición-mediador:

  • La mediación causal será equivalente al enfoque tradicional (siempre que se cumplan los supuestos y se den las otras advertencias sobre las formas variables mencionadas).

Si existe interacción exposición-mediador:

  • Aún puede utilizar enfoques tradicionales para detectar la presencia o ausencia de mediación, pero si intenta estimar los efectos directos e indirectos, sus estimaciones estarán sesgadas.

  • Puede estimar los efectos directos e indirectos naturales

Si no está seguro de si existe una interacción exposición-mediador:

  • Algunos investigadores sugieren ejecutar sus modelos en ambos sentidos, con y sin interacción X-M, y examinar el cambio en las estimaciones de un modelo al siguiente (es decir, no depender únicamente de la importancia del término de interacción X-M en el modelo de regresión de resultados). Si no parece haber un cambio apreciable en la magnitud de las estimaciones de los parámetros cuando se modela la interacción X-M, sería mejor seguir con el enfoque más simple.

Si no se siente cómodo con las suposiciones confusas sin medir:

  • Si es posible, limite los factores de confusión no medidos en la fase de diseño de un estudio considerando las vías mediacionales de interés y recopilando datos sobre los factores de confusión X-Y Y M-Y.

  • Realice análisis de sensibilidad para examinar la solidez de los resultados en varios escenarios de confusión no medida. Algunos programas (es decir, R) tienen funciones de análisis de sensibilidad integradas. El capítulo 3 del libro de texto de VanderWeele está dedicado a las formas de realizar análisis de sensibilidad.

Lecturas

Libros de texto y capítulos

Mediación causal

  • VANDERWEELE, T. 2015. Explicación en la inferencia causal: métodos de mediación e interacción, Oxford University Press.
    Un nuevo libro de texto sobre mediación; descripción concisa pero extensa de la mediación causal.

Enfoque tradicional

  • MACKINNON, D. P. 2008. Introducción al análisis de mediación estadística, Routledge.
    Discusión clara del enfoque tradicional y sus limitaciones.

Artículos metodológicos

Método tradicional:

  • JUDD, C. M. y KENNY, D. A. 1981. Análisis de proceso: Estimación de la mediación en evaluaciones de tratamiento. Revisión de evaluación, 5, 602-619.

  • BARON, R. M. y KENNY, D. A. 1986. La distinción variable moderador-mediador en la investigación psicológica social: consideraciones conceptuales, estratégicas y estadísticas. J Pers Soc Psychol, 51, 1173-82.
    Los artículos de mediación originales que describen el método tradicional y sus supuestos.

  • MACKINNON, D. P., FAIRCHILD, A. J. y FRITZ, M. S. 2007. Análisis de mediación. Annu Rev Psychol, 58, 593-614.
    Una revisión de los métodos estadísticos para evaluar la mediación más allá del enfoque descrito en Baron y Kenny.

Enfoque de inferencia causal (mediación causal):

Antecedentes de la mediación causal desde una perspectiva de resultados potenciales:

  • ROBINS, J. M. & GREENLAND, S. 1992. Identificabilidad e intercambiabilidad de efectos directos e indirectos. Epidemiología, 3, 143-55.
    Explicación de la mediación causal desde una perspectiva de resultados potenciales. Describe los diferentes tipos de mediación causal; útil para leer junto con Hafeman 2008.

  • HAFEMAN, D. M. 2008. Un enfoque basado en la causa suficiente para la evaluación de la mediación. Eur J Epidemiol, 23, 711-21.
    Explicación de la mediación causal desde una perspectiva de causa componente suficiente. Describe los diferentes tipos de mediación; útil para conectar entre sinergia y mediación.

Motivación para el análisis de mediación causal:

  • PEARL, J. Efectos directos e indirectos. Actas de la decimoséptima conferencia sobre incertidumbre en inteligencia artificial, 2001. Morgan Kaufmann Publishers Inc., 411-420. (sección 2)
    Proporciona las fórmulas para la mediación causal. Un poco denso, pero un artículo fundamental en la comprensión de la mediación causal.

  • HAFEMAN, D. M. & SCHWARTZ, S. 2009. Abriendo la Caja Negra: una motivación para la valoración de la mediación. Int J Epidemiol, 38, 838-45.
    Esquema de las motivaciones de la medicación causal con un enfoque en los efectos naturales.

Efectos naturales frente a efectos controlados:

  • NAIMI, A. I., KAUFMAN, J. S. & MACLEHOSE, R. F. 2014. Dudas sobre la mediación: interpretaciones ambiguas de salud pública y clínica de los efectos naturales directos e indirectos. Int J Epidemiol, 43, 1656-61.
    Una revisión de los efectos controlados frente a los naturales y las ventajas y desventajas de cada enfoque.

  • KAUFMAN, J. S., MACLEHOSE, R. F. y KAUFMAN, S. 2004. Una crítica adicional de la estrategia analítica de ajuste de covariables para identificar la mediación biológica. Epidemiol Perspect Innov, 1,4.
    Explica la mediación causal desde una perspectiva de PO; describe y demuestra los problemas con la estimación de efectos controlados en presencia de interacción.

  • KAUFMAN, J. S. 2009. Comentario: Dorar la caja negra. Revista Internacional de Epidemiología, 38, 845-847.
    Comentario a Hafeman y Schwartz, 2009; proponente de efectos controlados.

  • SCHWARTZ, S., HAFEMAN, D., CAMPBELL, U. & GATTO, N. 2010. Respuesta del autor. Comentario: dorar la caja negra. Int J Epidemiol, 39, 1399-401.
    Respuesta a Kaufman, comentario de 2009.

Estimación de efectos directos e indirectos:

programa de posgrado
  • PEARL, J. Efectos directos e indirectos. Actas de la decimoséptima conferencia sobre incertidumbre en inteligencia artificial, 2001. Morgan Kaufmann Publishers Inc., 411-420. (seccion 3)
    La sección 3 del artículo de Pearl de 2001 proporciona las fórmulas para estimar el efecto directo controlado, el efecto directo natural y el efecto indirecto natural. La noción es densa, pero una vez que comprende a Pearl, puede comprender muchas herramientas analíticas de mediación comunes que se basan en su fórmula de mediación.

  • PETERSEN, M. L., SINISI, S. E. y VAN DER LAAN, M. J. 2006. Estimación de efectos causales directos. Epidemiología, 17, 276-84.
    Estimación de efectos directos utilizando lenguaje y fórmulas accesibles; bueno leer junto a Pearl 2001.

Artículos de aplicación

Estimación de efectos directos e indirectos utilizando un marco basado en regresión:

SAS y SPSS

  • Valeri y Vanderweele SAS Macro (disponible en su página web de herramientas y tutoriales): http://www.hsph.harvard.edu/tyler-vanderweele/tools-and-tutorials/
    Una información práctica y de fondo sobre la mediación causal utilizando una macro SAS para estimar los efectos directos, naturales directos e indirectos naturales controlados. Este artículo es el artículo 'de la columna vertebral' y, a medida que se han agregado características adicionales, se han publicado artículos adicionales (ver más abajo).

Recursos adicionales para el análisis de supervivencia (tiempo hasta el resultado del evento)

  • VANDERWEELE, T. J. 2011. Análisis de mediación causal con datos de supervivencia. Epidemiología, 22, 582-585.

  • VALERI, L. & VANDERWEELE, T. J. 2015. Macro SAS para análisis de mediación causal con datos de supervivencia. Epidemiología, 26, e23-4.
    La macro original de Valeri y VanderWeele no fue capaz de analizar los datos de los resultados del tiempo transcurrido hasta el evento; en marzo de 2015 esta función estuvo disponible.

Recursos adicionales para el análisis de regresión logística para un resultado binario

  • VANDERWEELE, T. J. & VANSTEELANDT, S. 2010. Odds ratios para el análisis de mediación para un resultado dicotómico. Am J Epidemiol, 172, 1339-48.
    Información adicional sobre problemas con el uso de regresión logística para analizar datos de resultados binarios; Es importante comprender las advertencias de los datos de resultados binarios al realizar análisis de mediación causal.

EXPRESAR

  • EMSLEY, R. & LIU, H. 2013. PARAMED: Módulo de Stata para realizar análisis de mediación causal mediante modelos de regresión paramétrica. Componentes de software estadístico. http://econpapers.repec.org/software/bocbocode/s457581.htm
    La versión STATA de la macro de Valeri y Vanderweele.

MPLUS

  • MUTHÉN, B. & ASPAROUHOV, T. 2014. Efectos causales en el modelado de mediación: una introducción con aplicaciones a variables latentes. Modelado de ecuaciones estructurales: una revista multidisciplinaria, 1-12. http://www.tandfonline.com/doi/pdf/10.1080/10705511.2014.935843
    Comienza con un resumen sencillo de la mediación tradicional y causal y luego explica las capacidades de mediación en MPLUS.

Estimación de efectos directos e indirectos utilizando un marco basado en simulación:

Paquete R

  • IMAI, K., KEELE, L. & TINGLEY, D. 2010. Un enfoque general del análisis de mediación causal. Psychol Methods, 15, 309-34.
    Información de antecedentes sobre la teoría que subyace al enfoque basado en la simulación de la mediación causal en R. Es útil tener como referencia para ayudar a comprender cómo se crean las estimaciones cuando se trabaja con la viñeta R. También es útil para comprender qué estimaciones se proporcionan en el resultado.

    Pases para estudiantes de tránsito de Nueva Jersey
  • TINGLEY, D., YAMAMOTO, T., HIROSE, K., KEELE, L. & IMAI, K. 2014. Mediación: Paquete R para análisis de mediación causal. http://cran.r-project.org/web/packages/mediation
    La viñeta R para realizar una mediación causal.

Módulo STATA

Análisis de sensibilidad:
Los análisis de sensibilidad son una parte importante de la realización de análisis de mediación causal, ya que se requieren supuestos sólidos para obtener efectos naturales. Estos artículos discuten varios análisis de sensibilidad relacionados con los diferentes supuestos de mediación causal. Además, consulte el capítulo 3 del libro de texto de VaderWeele.

  • HAFEMAN, D. M. 2011. Confusión de efectos indirectos: un análisis de sensibilidad que explora el rango de sesgo debido a una causa común tanto al mediador como al resultado. Soy J Epidemiol, 174, 710-7.

  • VANDERWEELE, T. J., VANSTEELANDT, S. & ROBINS, J. M. 2014. Descomposición del efecto en presencia de un factor de confusión mediador-resultado inducido por la exposición. Epidemiología, 25, 300-6.

Moviendo el análisis de mediación más allá de los enfoques basados ​​en la regresión (una idea para el futuro proyecto Epi 6):

  • LANGE, T., VANSTEELANDT, S. & BEKAERT, M. 2012. Un enfoque unificado simple para estimar los efectos naturales directos e indirectos. Am J Epidemiol, 176, 190-5.
    Describe el uso de modelos estructurales marginales como herramienta para estimar efectos directos e indirectos.

Sitios web

Conferencia en cuatro partes de Tyler VanderWeele: Serie de seminarios de bioestadística de Harvard

Parte 1: https://vimeo.com/harvardcatalyst/review/123625538/7fd460d231

Parte 2: https://vimeo.com/harvardcatalyst/review/123625537/7241c2dd4e

Parte 3: https://vimeo.com/harvardcatalyst/review/123625539/d70731540c

Parte 4: https://vimeo.com/harvardcatalyst/review/123625540/00f720c86f

Una revisión de la literatura reciente sobre mediación causal y las herramientas de aplicación práctica de Tyler VanderWeele.

Sitio web de David Kenny: http://davidakenny.net/cm/mediate.htm
Una descripción general de la mediación tanto desde el punto de vista de la mediación tradicional como causal.

Artículos De Interés

La Elección Del Editor

Borbetomagus: Retrospectiva de carrera sobre la nueva música de la tarde
Borbetomagus: Retrospectiva de carrera sobre la nueva música de la tarde
Makino Collection Blog
Makino Collection Blog
Proceso de solicitud
Proceso de solicitud
Su camino hacia un título de J.D. de la Facultad de Derecho de Columbia comienza aquí.
Retenido como rehén durante 444 días: una historia de supervivencia
Retenido como rehén durante 444 días: una historia de supervivencia
Frankie Alduino
Mansour v. Sitio web de Al-Youm Al-Sabea
Mansour v. Sitio web de Al-Youm Al-Sabea
Columbia Global Freedom of Expression busca promover la comprensión de las normas e instituciones nacionales e internacionales que mejor protegen el libre flujo de información y expresión en una comunidad global interconectada con importantes desafíos comunes que abordar. Para lograr su misión, Global Freedom of Expression emprende y encarga proyectos de investigación y políticas, organiza eventos y conferencias, y participa y contribuye a los debates globales sobre la protección de la libertad de expresión e información en el siglo XXI.
NPD v. Ciudad de Zittau
NPD v. Ciudad de Zittau
Columbia Global Freedom of Expression busca promover la comprensión de las normas e instituciones nacionales e internacionales que mejor protegen el libre flujo de información y expresión en una comunidad global interconectada con importantes desafíos comunes que abordar. Para lograr su misión, Global Freedom of Expression emprende y encarga proyectos de investigación y políticas, organiza eventos y conferencias, y participa y contribuye a los debates globales sobre la protección de la libertad de expresión e información en el siglo XXI.
El caso de Mehmet Ali Aydin
El caso de Mehmet Ali Aydin
Columbia Global Freedom of Expression busca promover la comprensión de las normas e instituciones nacionales e internacionales que mejor protegen el libre flujo de información y expresión en una comunidad global interconectada con importantes desafíos comunes que abordar. Para lograr su misión, Global Freedom of Expression emprende y encarga proyectos de investigación y políticas, organiza eventos y conferencias, y participa y contribuye a los debates globales sobre la protección de la libertad de expresión e información en el siglo XXI.