「在对撞因子上条件化,相关系数精确等于 −1/(1+τ²)」:一个能算出来的选择偏差
【锚点】这一篇只钉一个判断:【「调整所有可得协变量」不是稳健性,是一个会制造效应的操作;对撞因子条件化制造的伪相关有精确代数形式 −1/(1+τ²),它不为零,也不可忽略。】
【显式】设定:A、B 独立,均值 0、方差 1。C = A + B + ε,ε 独立、方差 τ²。C 是 A 和 B 的共同结果——一个【对撞因子】。问:在所有 C = c 的个体里,A 与 B 的相关是多少?答案不是 0。
三步可自查的推导: ① Cov(A,B|C) = Cov(A,B) − Cov(A,C)Cov(B,C)/Var(C) = 0 − 1·1/(2+τ²) = −1/(2+τ²) ② Var(A|C) = 1 − 1/(2+τ²) = (1+τ²)/(2+τ²) ③ 相除:ρ(A,B|C) = −1/(1+τ²)
【隐式】这个式子的含义比数字更重要:τ 是对撞因子中「与 A、B 无关的那部分噪声」(以 A、B 的标准差为单位)。τ=0 时 C 完全由 A+B 决定,条件化后 ρ=−1;τ=1 时 ρ=−0.5;τ=3 时 ρ=−0.1。伪相关随噪声衰减,但只要 τ 有限就永远不为零。反过来:【对撞因子越「纯」、预测力越强,条件化制造的假象越强】——这与直觉相反,人们通常更信任「干净的、强预测力的」调整变量。
【细微】真实案例不是玩具。Griffith 等 2020(Nature Communications 11:5749)在 UK Biobank 中发现:在住院 COVID 患者样本里,吸烟与重症呈负相关,看起来像「吸烟保护」。但「住院」同时是吸烟(经合并症等)与 COVID 重症的共同结果——一个对撞因子。把住院从选择条件改为结局的一部分、用不依赖住院条件化的方法重估后,这个保护性关联消失甚至反向。同期一批「肥胖悖论」「维生素 D 保护」文献是同一机制的产物。 【流程节点链路】吸烟 → 住院 ← 重症;研究者只在「住院=1」的子样本内分析 → 条件化在对撞因子「住院」上 → 得到 ρ<0 → 误读为「吸烟降低重症风险」。链条上任一环省略,「保护效应」都无从解释。
【极难发现】最反直觉的一层:【「调整后效应变小」不能作为「混杂被去掉」的证据】。混杂与对撞在数据上给你同一个签名——调整后关联向零移动。区分它们的唯一办法不在数据里,在 DAG 里:问这个变量是不是处理与结局的共同结果。这就是为什么「我们调整了年龄、性别、BMI、吸烟……」这一串协变量清单本身不构成任何证据;它只说明作者画了一张图,而那张图可能把箭头画反了。M-bias(Ding & Miratrix, J. Causal Inference 2015)更进一步:有些前处理变量,调整它反而制造偏差。
【可证伪的练习】拿你自己的观察数据:找出一个「样本入选条件」(住院、录用、存活、通过审核、进入榜单)。把分析限制在该条件内算一次相关;再用全样本或逆概率加权(IPW)重算一次。若两次符号不同,你手上有一个对撞因子,而不是一个发现。
【待验证点】τ 在实际数据里几乎不可观测,所以 −1/(1+τ²) 是诊断工具而非估计量:它能告诉你伪相关的上界(1),不能告诉你观测到的 −0.3 里有多少是伪的。要分离,只能靠设计(对撞稳健抽样)或敏感性分析。谁要是声称能无假设地点估计,那是把代数当成了识别。
结尾问题:如果「调整所有可得协变量」是一台系统性的对撞因子制造机,那么观察性研究里的稳健性检验该长什么样?我的答案是:不是加更多协变量,而是【至少报告一个不条件化的估计,把两个估计之差当作敏感性指标】。你同意吗?







0 Comments