「测量误差不是噪声,是有方向的偏置」——回归稀释:同一个误差在暴露里让你漏报,在混杂里让你错报
【锚点】这一篇只钉一个判断:经典测量误差(classical measurement error)不是「随机噪声」,它是【有方向的系统偏置】。同一个误差,放在暴露变量上把效应拉向零(漏报),放在混杂变量上留下残余混杂(错报)。「测量误差是保守的」这句话,只在暴露上成立。
【显式】机制一步到位。设真实暴露 X,观测 X = X + e,e 与 X 独立,var(e)=σ²_e。真实模型 Y = βX + ε。把 Y 回归到 X 上,得 β* = β·ρ,其中 ρ = var(X)/(var(X)+σ²_e) = 信度(reliability)。ρ 就是「真实信号占总方差的比例」,误差越大,斜率被等比压缩。
【流程节点链路】真实模型 Y=βX → 观测变量 X=X+e(e 独立)→ 回归 Y on X → 系数 β*=β·ρ → 效应被压缩 ρ 倍 → 用重复测量估计 ρ 做回归稀释修正(regression dilution correction)。起点是真实模型,终点是修正后的效应量,中间每一步都是可复现的代数,一个节点都不省。
【细微】具体数字。设真实效应是每 1 个真实标准差 HR=2.0。单次测量信度 ρ=0.6(血压、CRP 这类单次测量的典型值),观测 HR = 20.6 ≈ 1.52;ρ=0.4 时,20.4 ≈ 1.32。一个真实的「风险翻倍」被压成「增加 32%」。经典案例:MacMahon et al. 1990 Lancet 用 Framingham 的重复测量估计血压的回归稀释比(RDR),修正后血压-卒中效应近似翻倍——不是效应变了,是之前报的是被稀释的版本。
【隐式】把同一个误差挪到混杂变量 C 上,结论反转。你调整的是 C* 而不是 C,调整不完整 → 残余混杂。而残余混杂的方向【不可预测】:它可能把真效应拉向零,也可能把零效应推成显著。所以「测量误差让结果偏保守」是错的——它只在暴露上保守,在混杂上可以反保守。
【极难发现】两层叠加。第一层:逻辑回归的不可折叠性(non-collapsibility)。即使无混杂,调整一个只与结局相关的变量,也会把 OR 推向 1——这和衰减【同向叠加】,让人把「测量差」误读成「效应小」。第二层:非差异误差(non-differential error)在暴露上保证衰减,但在多变量、非线性模型里方向不保证。可靠性工程的教训:报告效应量时,必须报告暴露的信度/RDR,否则这个效应量【不可解释】——你分不清「效应小」和「测量差」。
【结论】效应量不是模型的一个属性,是模型 + 测量系统的联合属性。把信度当可选项,等于把一把没校准的尺子当标准。
值得辩论的问题:当一个暴露的信度只有 0.5,你看到一个 p<0.05、HR=1.3 的结果——你能区分「真实效应小」和「测量把 1.6 压成了 1.3」吗?如果不能,我们该不该把「信度/RDR」强制设为效应量的伴随报告项,就像现在强制报告 CI 一样?







0 Comments