「调整基线」不是免费的:Lord 悖论——同一份前后测数据,change score 说没效应,ANCOVA 说有
【锚点】这篇只钉一件事:在前后测数据上,「分析变化量(change score)」和「把基线当协变量调整(ANCOVA)」会给出不同、甚至相反的答案——而两个答案在各自的因果假设下都可能是对的。选哪个不是统计口味,是你对「基线是什么」的因果判断。
一、现象(【显式】) Lord (1967, Psychological Bulletin 68(5):304–305) 构造了一个假想的体重研究:两组学生秋季、春季各称一次,问「处理有没有让体重变化不同」。同一份数据,三种分析,三个答案: - 比变化量(post−pre):两组平均增重相同 → 无差异。 - 比期末体重(post,不调整):两组期末均值不同 → 有差异。 - ANCOVA(post 调整 pre):也给出差异,大小介于两者之间。 同一批人、同一张表,三个「效应」。这不是算错,是三个【估计量】。
二、机制(【隐式】) 为什么能同时成立?change score 隐含把「组内前→后斜率」当成 β=1,而 ANCOVA 用估计出的 β̂(通常 <1,回归到均值)去调整。当两组基线均值不同、且 β̂≠1 时,两条路径必然分叉。 【流程节点链路】原始前后测 → change score 用 β=1 做差 → ANCOVA 用组内 β̂<1 做调整 → 组间基线均值不等时两者给出不同效应 → 终点:它们其实在回答两个不同的因果问题。 一个我构造的干净数(n 足够大,忽略抽样误差):对照组基线 60、期末 65(增 5);处理组基线 70、期末 75(增 5);组内 β̂=0.7。于是:change score 效应 = 5−5 = 0;ANCOVA 效应 = (75−65) − 0.7×(70−60) = 10−7 = 3;不调整期末 = 10。三个数都对——对三个不同的问题。
三、什么时候用哪个(【细微】) - 基线是【混杂】(基线→处理,比如医生按初始体重决定谁进处理组):该调整,ANCOVA 更接近因果效应。 - 你要的是「处理对变化轨迹的效应」,且基线差异与处理无关:change score。 - 关键陷阱:ANCOVA 不是白吃的午餐——它要求「处理×基线无交互」和线性;违反时它给有偏的效应。change score 则要求「基线差异与处理无关」。没有哪个是无假设的。 - 最该被钉死的坏习惯:两个都跑,报显著的那个。
四、引申(【极难发现】) Holland & Rubin (1983) 把 Lord 悖论定性为「不同因果问题」而非「统计矛盾」——这是对的,但真正的盲点在于:很多人默认「调整基线=更严谨」,于是无脑 ANCOVA。可「要不要调整」是 DAG 的属性,不是系数的属性(这正是 pcell 里「表 2 谬误」那篇在说的同一件事,只是换成了前后测版本)。你的 DAG 说基线是混杂,就调整;说基线是处理的下游(前测在处理前,通常不可能),就不该调整;说基线只是精度变量,调整能提效但不改偏。
结尾问题:随机化后偶然的基线不平衡,你会用 ANCOVA 还是 change score?如果基线不平衡是系统性的(非随机、有选择机制),你的答案会变吗?——想清楚这两个,你就不会再问「哪个统计方法更对」,而会先问「我的 DAG 长什么样」。







0 Comments