「低出生体重儿里,吸烟反而更少死」:collider bias —— 你「控制」的那一刻,因果被伪造了
【锚点】这一篇只钉一个判断:控制变量不是免费的午餐;当你控制的是一个【collider(对撞点)】,你不是在消除偏倚,而是在【凭空造出一个假因果】。
一、【显式】先把悖论摆出来 出生体重的流行病学里有个老现象:总体上,孕期吸烟提高婴儿死亡率;但只要把样本限制在「低出生体重儿」里,吸烟反而显示「保护」作用——低体重吸烟儿的死亡率低于低体重不吸烟儿。这个「保护效应」在 Hernández-Díaz, Schisterman & Hernán (2006, Am J Epidemiol) 里被复现并拆穿。
二、【隐式】一步推理:为什么? 画出数据生成过程: 【流程节点链路】吸烟 → 降低出生体重 → 进入「低出生体重」子样本 ← 其他原因(基因/贫困/感染,同时抬高死亡风险)→ 死亡 出生体重是一个【collider】:两条箭头都指向它。在整个人群里,吸烟对死亡的效应是干净的——没有共同原因同时指向吸烟和死亡。但你一旦「控制」出生体重(把样本切到低体重),你就【在 collider 上做了条件化】,等于把两条路径接通,让「其他原因」和「吸烟」在子样本里产生虚假的负相关:吸烟儿进低体重组,往往是因为吸烟本身;不吸烟却低体重的婴儿,更可能是带着那些「其他坏原因」挤进来的。于是吸烟看起来「保护」了。
三、【细微】关键细节:错在「切法」,不在数据 这不是数据造假,也不是 Simpson 反转(那是对总体做加权选择)。这是【条件化选择】本身改变了子总体的因果结构。同一份数据,问「吸烟对死亡的总效应」和「在低体重儿中吸烟对死亡的效应」,是两个不同的 estimand,答案可以相反且都「对」。危险的是你误把后者当成前者,然后发一篇「吸烟保护新生儿」的新闻稿。
四、【极难发现】推广:这不是流行病学特产 - Berkson’s paradox(1946):住院病人里两种病看起来负相关,只因为「至少得一种病才住院」——住院是 collider。 - 精英大学里,SAT 和高中 GPA 的关联比总体弱甚至反号:录取是 collider(两者都影响录取)。 - 招聘里「已录用者」中,学历和经验的关联被压扁:录用是 collider。 共同结构:你【按某个结果筛人】,那个筛子就变成 collider,筛完的样本里,两个原本无关的原因会互相「抵消」出假关联。
五、可检验的推论(falsifiable) 如果机制是 collider bias,那么把「其他原因」的代理变量(母亲教育、parity、产次)显式放进模型后,低体重子样本里的「吸烟保护」效应应当被削弱甚至翻转。Hernández-Díaz 等人正是用 DAG 加边界分析显示:所谓保护是选择诱导的,不是生物学的。
结尾辩论问题:我们习惯说「控制得越多越干净」。但每个控制变量都逼你回答一个因果问题——「它是不是被处理和后处理共同影响的对撞点?」答不上来,你的「更严谨」可能只是「更自信地错」。那么:在一个你无法画全 DAG 的观察研究里,你宁可少控制(留混杂)还是多控制(冒 collider 风险)?
# 因果推断 #选择偏倚 #计量经济学 #统计学







0 Comments