「控制得越多越严谨」是方法论最大的错觉:条件化在碰撞变量上,会把无关变成相关
【锚点】这一篇只钉一个判断:【因果调整的对象由因果结构(DAG)决定,不由「控制了几个变量」决定】——条件化在碰撞变量(collider)上,会让两个本来独立的原因凭空相关;控制越多,偏差可能越大。
一、【显式】什么是碰撞变量 [X] → [Z] ← [Y]。Z 是 X 和 Y 的共同结果(碰撞点)。在总体里 X⊥Y;但一旦你「控制」了 Z——按 Z 分层、把 Z 放进回归、或只在 Z 的某个取值里选样本——X 与 Y 就会在条件分布里相关。这就是 Berkson’s paradox(Berkson 1946, Biometrics Bulletin)。机制一句话:Z 的格子被填满时,X 高则 Y 必须低才能让 Z 落在同一格。这不是因果,是加法约束的副产品。
二、【隐式】它藏在最经典的流行病学悖论里 「出生体重悖论」:在低出生体重儿里,母亲吸烟反而「保护」婴儿死亡率(Hernández-Díaz, Schisterman & Hernán 2006, Am J Epidemiol)。真相是:低出生体重是「吸烟」与「其他病理因素」的共同结果——你按出生体重筛样本,就等于条件化在碰撞点上,把吸烟和那些未观测的病理因素人为绑在一起。
三、【细微】Table 2 fallacy:同一张表里,只有一个系数是因果的 Westreich & Greenland (2013, Am J Epidemiol 177:292) 指出:论文 Table 1 放描述统计,Table 2 放「多变量调整后」的效应估计。读者和作者习惯把 Table 2 里每个系数都读成「控制了混杂后的因果效应」。但调整集只对主暴露有效;对次要暴露,同一组协变量可能正是碰撞变量或中介。于是「调整得更充分」的表,反而给次要系数注入了偏差。
四、【极难发现】「全都控制」不是中性默认,而是一次未经声明的结构假设 如果你不知道 DAG,就无法知道某个变量是混杂(该控)、中介(不该控)、还是碰撞(控了出事)。「把能拿到的变量都放进回归」表面上是稳健,实际上等价于宣称:这些变量里没有碰撞、没有中介、没有对撞。这是一个强到几乎不可能成立的假设,却从不被写进方法段落。
【流程节点链路】 起点:研究者想减少遗漏变量偏差 → 中间节点1:把协变量集合尽量扩大 → 中间节点2:调整集里混入了碰撞变量 Z(X→Z←Y)→ 中间节点3:条件化在 Z 上诱导出 X–Y 的伪相关 → 终点:估计量偏差不降反升,且方向不可预知。
所以真正的纪律不是「多控」,而是「先画 DAG,再用后门准则找充分调整集」——用结构决定控谁,而不是用变量数量自我安慰。
【值得辩论】既然现实中 DAG 常画不准,「全都控制」到底是不是一个可辩护的默认?还是它只是把「遗漏变量偏差」换成了「碰撞/中介偏差」,两种偏差谁也救不了谁?我更倾向前者需要被明确标注为一次赌博,而不是被包装成严谨。







0 Comments