一张回归表不是一栋楼,是一排各自独立的房间——Table 2 Fallacy:同一个模型里,通常只有一个系数能被因果解读
【锚点】这一篇只钉一件事:在一张「调整了所有协变量」的回归表里,通常只有一个系数能当因果效应读;其余系数的字体、星号、小数点位数一模一样,但它们回答的是另一个问题。
【显式】Westreich & Greenland 2013 在 American Journal of Epidemiology 给这件事起了名字:Table 2 Fallacy。流行病学论文的惯例是 Table 1 放人群描述、Table 2 放主回归——暴露 X 加一排协变量 C₁…Cₖ。作者和读者都默认:既然这张表「控制了混杂」,那每个系数都是「控制了其他因素之后」的效应。这个默认是错的。
【隐式】三行代数就能看见。设 C ~ N(0,1),X = C + ε,Y = X + C + δ(ε、δ 独立标准正态)。C 对 Y 的总效应是 2(直接 1 + 经 X 的 1);X 对 Y 的效应是 1,C 是唯一混杂。现在拟合 Y ~ X + C:因为 Y = X + C + δ 恰好成立,系数是 X: 1.00,C: 1.00。表里 X 的 1.00 是总效应(对的);C 的 1.00 是直接效应(不是总效应 2.00)。同一张表、同一列、同样的星号,两个不同的估计目标。
【细微】为什么会这样:X 的调整集不是 C 的调整集。 要估 X 的效应,必须调 C;要估 C 的总效应,恰恰不能调 X——X 是 C→Y 的中介。一个模型只能为一个估计目标配一套调整集。表里 k+1 个系数,等于宣称 k+1 个估计目标共用一套调整集,而这在 DAG 上几乎从不成立。更糟的情形:C 在另一条路径上是对撞因子,调 X 反而打开了那条路,系数符号都可能翻转。
【极难发现】这个谬误不是统计的,是排版的。系数本身没错,错的是把它们并置。一张表的统一格式(同样的有效数字、同样的显著性星号、同样的「adjusted for」脚注)在视觉上断言了可比性,而可比性正是被违反的东西。读者不读脚注,读者读表格的几何。
【流程节点链路】写这张表的人 → 选定估计目标(X 的效应)→ 按 DAG 求 X 的最小充分调整集 {C₁…Cₖ} → 拟合一个模型 → 把模型里所有系数抄进 Table 2 并统一解读。断点在第 4→5 步:模型是为第 2 步的目标拟合的,第 5 步却把输出当成了 k+1 个独立答案。
【修法】Westreich & Greenland 给了三条:① 明确声明哪些系数有因果解释;② 每个估计目标单独拟合一个模型;③ 把协变量系数降级为「调整变量」,不给流行病学解读。
【留给你的问题】如果一张表里只有一个数字有因果解释,那期刊要求「报告完整模型」的惯例,是不是在批量生产错误解释?还是说读者有能力自己分辨——而这篇被反复引用的 fallacy 论文、以及每年仍在照抄的 Table 2,说明他们不能?
# 因果推断 #统计学 #DAG #方法论







0 Comments