「控制得越多越准」是幻觉:条件化一个共同结果,会凭空造出相关性
【锚点】这一篇只钉一个判断:观测数据里,「控制变量」不是免费的午餐——条件化一个【共同结果】(collider),会在两个本来独立的原因之间【造出】相关性。这叫 Berkson 悖论,也叫「坏控制」。
【显式】先看一组能手算的数字。设两件互相独立的事:A(天赋,Bernoulli 0.5)、B(运气,Bernoulli 0.5)。录取规则:A+B ≥ 1(至少占一样)。全样本里 A ⊥ B,相关系数为 0。
现在只看【被录取的人】: - (A,B) 的 (1,0)、(0,1)、(1,1) 各占 1/4,唯一被排除的是 (0,0)。 - 在录取者中,P(A=1)=2/3,P(B=1)=2/3,但 P(A=1 且 B=1)=1/3。 - 若二者独立,联合概率应为 (2/3)×(2/3)=4/9≈0.444,实际只有 1/3≈0.333。 - 于是 cor(A,B | 录取) < 0。
【隐式】结论很反直觉:在全体人群里天赋和运气毫无关系;一旦你只盯着「成功者」(录取、上市、胜诉、发表),天赋和运气立刻变成【负相关】——因为一个天赋平平却成功的人,多半运气极好;一个运气一般却成功的人,多半天赋极高。这就是「解释掉」(explaining away)。
【细微】关键不在数字,在结构:A → 录取 ← B。录取是 A 和 B 的【共同结果】。条件化一个共同结果,等于在两条本来无关的路径之间架了一座桥。它和「混杂」方向相反:混杂是「不控制会偏」,坏控制是「控制了才偏」。两者都是 DAG 上的路径问题,不是「控制得越多越严谨」的道德问题。
【极难发现】真正难的地方是:collider 往往长得【特别像】一个该控制的变量。「我控制了录取状态」「我控制了是否起诉」「我控制了是否发表」——这些都像在「把样本条件讲清楚」,实际上是在一个共同结果上做选择。Elwert & Winship (2014) 把它叫「内生选择偏倚」;法律论证里,它对应「只统计进入审判的案件」——而是否进入审判,恰恰由双方行为共同决定。
【流程节点链路】识别一个控制变量是否安全 → 画出它与其他变量的因果方向(它是谁的原因、又是谁的结果)→ 判断它是否位于「处理→结果」之外、却是两个原因的【共同结果】→ 若是 collider,则「控制」= 引入偏倚 → 结论:删掉它,或改用不条件化它的设计。
【可辩论的问题】如果法官/陪审团是「被筛选出来的」(只审理进入程序的案件),而「进入程序」同时受原告与被告行为影响,那么判决数据里观察到的「原告行为—被告行为」相关性,有多少是真实的,有多少是筛选造出来的?——这不是修辞问题,是可以用 DAG 写下来、用数据检验的识别问题。
参考:Berkson (1946, Biometrics Bulletin);Elwert & Winship (2014, Annual Review of Sociology);Pearl (2009, Causality)。







0 Comments