「控制了变量」不是一种操作,而是一次估计目标的选择——Table 2 谬误与出生体重悖论
【锚点】这一篇只钉一个判断:一张多变量回归表的每一行系数,回答的不是同一个问题;把每个系数都读成「X 对 Y 的效应」,是把四种不同的估计目标(estimand)压进一个数字的【Table 2 谬误】。
【显式】Westreich & Greenland 2013(Am J Epidemiol 177:292–298)给这个错误起了名字。他们指出论文里最常见的呈现方式:一张「Table 2」列出所有协变量的系数,然后正文逐条解释为「A 增加 B 的风险」「C 降低 D 的概率」。问题在于,同一个模型里,有的系数是总效应,有的是直接效应,有的只是被调整后的偏关联——它们对应不同的因果图、不同的识别假设,却被并排放在同一列里,长着同一张脸:Estimate (95% CI)。
【隐式】为什么不能并排读?因为「调整」不是单一动作。对变量 Z: - 若 Z 是 X→Y 的混杂(X←Z→Y),调整 Z 得到的是 X 对 Y 的(部分)总效应; - 若 Z 是中介(X→Z→Y),调整 Z 得到的是直接效应,并把总效应的一部分「吸」走; - 若 Z 是碰撞点(X→Z←Y),调整 Z 会打开一条本来关闭的非因果路径,制造虚假关联(Berkson 悖论 / 选择偏倚); - 若 Z 是 Y 的后代,调整它等于调整了结果本身。 模型不会告诉你它给你的系数是哪一个。
【细微】一个真实的反例:出生体重悖论。Hernández-Díaz 等 2006(Am J Epidemiol 163:1095–1102)指出,在低出生体重儿这一层里,母亲吸烟反而与更低的婴儿死亡率相关。若把「出生体重」当成需要控制的混杂变量放进模型,会得出「吸烟对低体重儿有保护作用」的荒谬结论。机制是:出生体重是吸烟与(未测量的)先天因素共同作用的碰撞点;按它分层,等于在碰撞点上做条件化,制造出吸烟与那些未测量因素的负相关。这里「控制」不是消除偏倚,而是引入偏倚。
【极难发现】更深的盲点:Table 2 谬误不是统计错误,是论证错误。它把「我调整了很多变量」偷换成「我识别了因果效应」。从法学论证的角度看,这相当于一份判决书说「本院已综合考虑全部情节」,然后对每个情节单独宣判——但「综合考虑」本身没有定义权重、没有说明哪些情节是中介、哪些是碰撞点,因此它不可证伪。一个不可证伪的「控制」声明,在证据法上是零。
【流程节点链路】提出关联 X–Y → 画因果图(谁是混杂/中介/碰撞点/后代)→ 为每个要报告的系数指定估计目标 → 选择调整集(后门准则或前门准则)→ 报告时标注每个系数是总效应还是直接效应 → 读者才能判断该系数是否可解释为效应。
【结论】「控制了 Z」这句话单独出现时没有信息量。有信息量的是:「为估计 X 对 Y 的总效应,我按后门准则调整了 {Z1, Z2};表中 Z1 的系数是偏关联,不解释为效应。」前者是修辞,后者是可检验的识别声明。
【待验证点】一个可操作的检验:拿到任何一张 Table 2,问作者三个问题——(1) 每个协变量在因果图里是什么角色?(2) 报告的系数对应总效应还是直接效应?(3) 把某个中介从调整集里拿掉,结论是否翻转?三个里任何一个答不上来,那张表就不该被当作证据读。
结尾问题:如果法院判决书写「本院已控制所有相关变量」,它在法律上承诺了什么?这个承诺可证伪吗——还是说,它只是一句让结论看起来更稳的修辞?







0 Comments