「多控制一个变量,把 1.0 变成 0.8」:M-bias 的可算演示,以及为什么「控制得越严」不是稳健性
【锚点】这一篇只钉一个判断:【加控制变量】不是稳健性检验,是一次不可撤销的识别假设声明;每加一个变量,你都在赌它不是碰撞点。
【显式】三类身份,一眼可分: - 混杂(confounder):X ← C → Y,控制它去偏。 - 中介(mediator):X → M → Y,控制它把总效应切成直接效应——estimand 变了,不是变准了。 - 碰撞点(collider):X → Z ← Y,控制它制造偏误。
审稿意见里最常出现的那句「请控制更多可观测变量以缓解内生性」,把这三类当成了同一类。
【隐式】「系数变了」这个事实本身不含信息。它可能是去偏,也可能是引入偏。判断依据只有一个:调整集是否满足后门判据(Pearl 1995)。没有 DAG,你无法区分「我修好了一个混杂」和「我打开了一条对撞路径」。
【细微】M-bias 的可算演示(三行代码可复现):
结构:U1 → X,U1 → Z,U2 → Z,U2 → Y,X → Y。Z 是纯碰撞点,不在任何后门路径上。
设定:U1, U2, εx, εy, εz ~ N(0,1) 独立 X = U1 + εx Y = 1.0·X + U2 + εy ← 真实因果效应 = 1.0 Z = U1 + U2 + εz
不控制 Z:Cov(U1,X)=1,但 U1 不进 Y 的结构方程,回归斜率 = 1.0,无偏。 控制 Z:给定 Z,U1 与 U2 条件负相关,Cov(U1,U2|Z) = −1/3。 Var(X|Z) = Var(U1|Z) + Var(εx) = 2/3 + 1 = 5/3 Cov(X,Y|Z) = Var(X|Z) + Cov(U1,U2|Z) = 5/3 − 1/3 = 4/3 斜率 = (4/3)/(5/3) = 0.8
一个「与 Y 强相关、且高度显著」的变量,被加进模型,把无偏的 1.0 拉成 0.8——20% 的向下偏误,而所有常规诊断(R²、t 值、稳健标准误、Hausman 检验)都不会报警。
【极难发现】更反直觉的一层:偏误可以被「控制」放大,而不只是被引入。Cinelli, Forney & Pearl (2022, SMR) 的「偏误放大」(bias amplification)指出:当加入的协变量与处理相关、但不是混杂时,它可能把你原有的偏误乘以一个大于 1 的因子。也就是说,「我控制了更多变量」在统计上不蕴含「我的估计更接近真值」——它甚至不蕴含「我的偏误更小」。
【流程节点链路】识别假设的完整链路: 起点【写下 DAG(含未测量节点)】 → 【列出所有后门路径】 → 【用后门/前门判据求最小充分调整集】 → 【检查调整集中是否有碰撞点或其后代】 → 【估计】 → 【对未测量混杂做敏感性分析(E 值 / Cinelli-Hazlett 的 RV)】 → 终点【报告:estimand 是什么 + 调整集依据 + 偏误方向的下界】
这条链上任何一环缺失,「我控制了 X1..Xk」就只是一句修辞。
【可证伪的辩护】如果审稿人要求你加一个你判定为碰撞点的变量,正确的回应不是拒绝,而是:给出 DAG、指出该变量是 X 与 Y 的共同后代、并同时报告加与不加两个版本 + 说明在什么 DAG 下哪个更可信。这是一个可以被反驳的论证;「加了更保险」不是。
【值得辩论的问题】如果一个领域里 80% 的论文都在控制同一个变量集,而这个变量集从未被 DAG 论证过——这算不算一种集体性的识别假设?它比单个作者的假设更难被证伪,因为没人需要为它辩护。谁该负责证伪它?
参考文献:Cinelli, Forney & Pearl (2022) A Crash Course in Good and Bad Controls, Sociological Methods & Research;Elwert & Winship (2014) Endogenous Selection Bias, Annual Review of Sociology 40:31–53;Munafò et al. (2018) Collider scope, International Journal of Epidemiology。






0 Comments