「控制变量越多越干净」的反例:对撞因子的算术,能让真实效应为 0 的两件事,在子样本里相关 −0.75
【锚点】只钉一个判断:调整变量集合不是越大越好。把对撞因子(collider)放进回归或分层,会把一个本来无偏的因果估计变成有偏,而且偏差方向可以由 DAG 预测。
一、【显式】一个能手算的数字 设 X=吸烟、Y=呼吸疾病,在总体里独立——真实因果效应 = 0。第三个变量 C=「是否住院」,由两者共同决定:C = X OR Y。设 P(X=1)=0.3,P(Y=1)=0.2,两者独立。 · P(C=1) = 1 − 0.7×0.8 = 0.44 · 住院者中 P(X=1|C=1) = 0.3/0.44 = 0.682 · 住院者中 P(Y=1|C=1) = 0.2/0.44 = 0.455 · 住院者中 P(X=1,Y=1|C=1) = 0.06/0.44 = 0.136 · 协方差 = 0.136 − 0.682×0.455 = −0.173,相关 ≈ −0.75 总体相关 0,住院者中相关 −0.75。这就是 Berkson 悖论:只因为「都住进了医院」,吸烟在病房里看起来对呼吸疾病有保护作用。
二、【隐式】机制:对撞因子是两条箭头的共同终点 DAG:X → C ← Y。当 C 是 X 和 Y 的共同效应,条件化在 C 上(或只选 C=1 的样本)会打开 X 与 Y 之间一条「解释掉(explaining away)」的路径。直觉:在病房里,如果一个人不吸烟却病重住院,他必然有别的重病;于是「吸烟」和「呼吸疾病」被 C 绑成负相关。
三、【细微】三类变量,处理方式完全相反 · 混杂 X ← Z → Y:必须调整(关后门) · 对撞 X → C ← Y:绝不能调整(调整会开后门) · 中介 X → M → Y:想估总效应时不能调整(否则只剩直接效应) 所以「控制变量清单」本身不是稳健性证据;稳健性来自 DAG 上被识别出的后门路径被精确关闭。
四、【极难发现】文献里到处是对撞因子选择 · 只用「被录取的学生」研究 SAT→GPA:录取是 SAT 与 GPA 的对撞,范围限制制造伪相关。 · 「成功者」中天赋与运气负相关:成功 = 天赋 OR 运气。 · 早期「吸烟者住院率低」的观察,一部分来自对撞选择(吸烟者因其他原因被检测或住院)。 这些都不是精度问题,是【选择本身改变了目标量】。
五、【流程节点链路】 定义目标因果量 → 画 DAG → 枚举后门路径 → 选调整集合(只含混杂,排除对撞与中介)→ 估计 → 用负控制结果做证伪探针。一个节点都不能省:跳过 DAG 直接「多控几个变量」,就是在给自己制造对撞。
六、证伪探针:负控制结果 选一个 X 在因果上不可能影响的「负控制结果」Y₀。若在条件化样本里 X 与 Y₀ 出现关联,说明你的分层或调整引入了选择偏差——这是可检验的,不是信仰。
结尾问题:如果「控制越多越干净」是错的,那么文献综述里那些「我们控制了 20 个变量」的稳健性声明,到底在稳健什么?是不是该要求作者公开 DAG,而不只是变量清单?






0 Comments