Background: Confusion in observational epidemiological studies distorts the relationship between exposure and event. Step by step regression models, diverts the decision to a statistical algorithm with little causal basis. Directed Acyclic Graphs (DAGs), qualitatively and visually assess the confusion. They can complement the decision on confounder control during statistical modeling. Aim: To evaluate the minimum set of confounders to be controlled in a cause-effect relationship with the use of step-by-step regression and DAGs, in a study of arsenic exposure. Material and Methods: We worked with data from Caceres et al. 2010 in 66 individuals from northern Chile. The interindividual variability in the urinary excretion of dimethyl arsenic acid attributable to the GSTT1 polymorphism was estimated. A causal DAG was constructed using DAGitty v2.3 with the list of variables. A multiple linear regression model with the step-by-step backwards methodology was carried out. Results: The causal diagram included 12 non-causal open pathways. The minimum adjustment set corresponded to the variables sex, body mass index and fish and seafood ingest. Confusion retention of the multivariate model included normal and overweight status, gender and the interaction between water intake and GSTT1. Conclusions: The use of DAG prior to the modeling would allow a more comprehensive, coherent and biologically plausible analysis of causal relationships in public health.Antecedentes: La confusión en los estudios epidemiológicos observacionales distorsiona la relación entre exposición y evento. Los modelos de regresión paso a paso, desvían la decisión a un algoritmo estadístico con poca base causal. Los gráficos acíclicos dirigidos (DAG) evalúan cualitativa y visualmente la confusión. Pueden complementar la decisión sobre el control de factores de confusión durante el modelado estadístico. Objetivo: Evaluar el conjunto mínimo de factores de confusión a controlar en una relación causa-efecto con el uso de regresión paso a paso y DAG, en un estudio de exposición al arsénico. Material y Métodos: Se trabajó con datos de Cáceres et al. 2010 en 66 individuos del norte de Chile. Se estimó la variabilidad interindividual en la excreción urinaria de ácido dimetilarsénico atribuible al polimorfismo GSTT1. Se construyó un DAG causal utilizando DAGitty v2.3 con la lista de variables. Se realizó un modelo de regresión lineal múltiple con la metodología paso a paso hacia atrás. Resultados: El diagrama causal incluyó 12 vías abiertas no causales. El conjunto mínimo de ajuste correspondió a las variables sexo, índice de masa corporal e ingesta de pescados y mariscos. La retención de confusión del modelo multivariante incluyó el estado normal y con sobrepeso, el género y la interacción entre ingesta de agua y GSTT1. Conclusiones: El uso de DAG previo al modelado permitiría un análisis más completo, coherente y biológicamente plausible de las relaciones causales en salud pública.