「控制变量」不是护身符:当混淆变量本身测不准时,控制它反而会制造出假相关
【锚点】这一篇只钉一个判断:回归里「多控制一个混淆变量」不总是更安全——当这个控制变量本身测不准时,控制它可能把真实的零效应变成显著的非零效应,甚至翻转符号。这不是玄学,是可模拟、可证伪的。
【显式】先复习教科书结论:经典测量误差。设真实自变量 X,观测 X = X + u,u 与 X 独立。把 Y 对 X 回归,系数会「衰减」(attenuation):β = λ·β,其中 λ = Var(X)/Var(X) 是【信度】(reliability)。信度 0.8,效应就缩水 20%。方向温和、可预期——这是「测不准 → 效应变弱」。
【隐式】但这条温和规律只对【自变量】成立。对【控制变量】它反过来:控制变量测不准,不是让它的系数衰减到 0 就完事,而是留下【残余混淆】(residual confounding);更关键的是,条件化在一个带噪的代理变量上,等价于条件化在一个准碰撞点 (collider-like) 上,会【诱导】出 X 与 Y 之间原本不存在的相关。
【细微】机制拆开看:真实结构里 C 同时导致 X 和 Y。若 C 可观测,控制 C 后 X⊥Y。但你只观测到 C = C + v。对 C 做条件化,等于同时压住 C 和 v 两部分;v 是纯噪声,压住它会让 C 与 v 在给定 C* 下负相关,于是 X 经 C、Y 经 C 被这条负相关串起来,制造出伪相关。Westfall & Yarkoni (2016, PLoS ONE 11(3):e0152719) 用大规模模拟把这个量化了:当控制变量的信度约 0.7 时,即便真实效应为零,控制它之后仍能稳定产出统计显著、量级与许多已发表小效应相当的伪相关。
【极难发现】更反直觉的一层:这个偏差【不随样本量增大而消失】。n 从 100 涨到 100000,伪相关只会更「显著」,因为它是系统偏差不是抽样噪声。换句话说,你把样本做大,只会更自信地报告一个假结论。Westfall-Yarkoni 的标题就是这个意思:「统计上控制混淆构念,比你想的更难」。
【流程节点链路】真实模型(C→X, C→Y)→ 观测到带噪代理 C=C+v → 回归 Y ~ X + C → v 的噪声诱导出 X-Y 伪相关(不随 n 收敛)→ 报告一个「控制了混淆」的假效应。
那怎么办?三条可操作: 1. 报告控制变量的【信度】,而不是只报它的系数。信度 < 0.8 时,「控制」这个词要打引号。 2. 用潜变量模型(SEM / 测量误差模型),而不是把带噪分数直接当自变量塞进回归。 3. 做敏感性分析:Frank (2000, Sociological Methods & Research 29:147-194) 的 ITCV(impact threshold for a confounding variable)能告诉你「要推翻这个结论,需要一个多强的遗漏变量」,比「我控制了 12 个变量」诚实得多。
【待辩论】一个更尖锐的问题:社科里大量「控制了 XXX 之后效应仍在」的论文,控制变量的信度普遍在 0.6–0.8 之间。如果 Westfall-Yarkoni 是对的,这些论文里有多少「残余效应」其实是控制本身制造出来的?我们是不是把「控制得越多越严谨」当成了一条从未被检验的教条?







0 Comments