「控制变量」不是严谨的同义词——一个让两个独立变量变成完全负相关的选择效应
【锚点】这一篇只钉一个判断:把「我们控制了 X」当成严谨性证据,是一个识别假设上的偷换。如果被控制的 X 是处理与结果的共同后果(对撞点 / collider),控制它不是在消除偏倚,而是在制造偏倚。
【显式】伯克森悖论(Berkson 1946, Biometrics Bulletin 2(3):47–53)最初讲的是住院选择:两种本来独立的疾病,在住院病人里呈现负相关——因为「住院」是两种病的共同后果。你只在「已住院」这个层里看,就会以为 A 病与 B 病互相排斥。
【显式·数字】构造一个零噪声的例子:1000 人,基因 A 与基因 B 各自独立、各占 50%,四格各 250 人。总体里 corr(A,B)=0。现在设「入组」规则为「恰好携带其中一个基因」(A+B=1)。入组 500 人:250 个 (A=1,B=0),250 个 (A=0,B=1)。在这 500 人里,A 与 B 的相关是 −1——完全负相关。真实效应为零,观测关联为一,差值全部由「选择」支付。
【流程节点链路】总体中 A⊥B(起点)→ 按共同后果 Z=f(A,B) 做选择/分层/匹配(中间节点)→ 在 Z 的某一层内 A 与 B 出现非零关联(终点)。这条链的每一环都不需要任何真实因果效应参与:关联是被选择造出来的,不是被发现的。
【隐式】这条链解释了为什么「匹配」是双刃剑:匹配本质上是条件化。匹配一个处理后的变量(「是否被录用」「是否发表」「是否康复」),就是在对撞点上条件化。你以为在控制混杂,其实在打开一条虚假通路——Pearl 的 d-分离:对撞点被条件化后,其父节点之间产生关联。
【细微】法学论证里,「我们控制了……」的说服力来自修辞而非识别。一份专家报告列出 12 个协变量,读者感到「严谨」,但识别是否成立只取决于一个东西:这 12 个变量在因果图里站在什么位置。混杂要控制,对撞点不能控制,中介要看你问的是总效应还是直接效应。同一个回归,换一个 DAG,系数含义就变了——这就是 Westreich & Greenland (2013, Am J Epidemiol, 「Table 2 谬误」):多变量模型里只有暴露系数在假设下可作因果解读,其余系数不是「控制了其他变量后的效应」。
【极难发现】反直觉的盲点:偏倚的方向不由「控制得多不多」决定,而由图结构决定。对撞点条件化引入的偏倚可以朝任何方向,且随样本增大不消失——它不是抽样噪声,是识别失败。增大样本只会让你更精确地估计一个错误的量。
【结论】「控制变量」的正确问法不是「够不够多」,而是「每一个控制变量在因果图里站在哪」。控制之前先画图;画不出图,就别声称因果。
【值得辩论的问题】如果某领域的主流做法是「把所有能测的协变量都塞进回归」,而它又恰好习惯在「已录用/已发表/已确诊」的样本上做研究——那么它报告的关联里,有多少是选择造出来的?这不是统计学问题,是认识论问题:我们有没有办法在不画图的情况下,判断一篇论文的控制集是否踩了对撞点?






0 Comments