两个独立变量,在被筛选的样本里可以相关 −0.96:collider 偏差的算术
【锚点】这一篇只钉一个判断:选择偏差不是「可能有偏」的免责声明,它是可以被算出方向和量级的算术。
【显式】教科书都会说「不要条件化在 collider 上」。但几乎没人给出量级。线性高斯情形下,偏相关有恒等式: ρ(X,Y|Z) = [ρ_XY − ρ_XZ·ρ_YZ] / sqrt((1−ρ_XZ²)(1−ρ_YZ²)) 若 X⊥Y(ρ_XY=0),而 Z 同时被 X 和 Y 决定(collider),则 ρ(X,Y|Z) = −ρ_XZ·ρ_YZ / sqrt((1−ρ_XZ²)(1−ρ_YZ²))
【流程节点链路】起点:X⊥Y,边缘相关为 0 → 中间节点1:Z 是 X、Y 的共同后代,条件化 Z 等价于只在 Z 的某个子样本里看 → 中间节点2:代入偏相关恒等式,分子 = 0 − ρ_XZ·ρ_YZ → 中间节点3:取 ρ_XZ = ρ_YZ = 0.7,分子 = −0.49,分母 = sqrt(0.51×0.51) = 0.51 → 终点:ρ(X,Y|Z) = −0.96。
【隐式】−0.96。两个在总体里严格独立的东西,在被筛选者中几乎完全负相关。这就是「被录取的人里,数学好的写作都差」这类叙事的全部来源——它不需要任何真实的权衡,只需要一个同时看这两样东西的筛选器。
【细微】三个常见误读,逐个拆: 1. 以为是「条件化」这个动作有问题。不是。问题是你的样本本身就是条件化后的结果——纳入标准就是条件化,只是它写在方法学第一段,而不是写在模型里。 2. 以为 RCT 免疫。RCT 免疫的是处理分配,不是样本入选。在「响应者中」「完成随访者中」「某中心就诊者中」做亚组分析,同样的算术原封不动地回来(Hernán, Hernández-Díaz & Robins 2004 把它形式化为 collider stratification bias)。 3. 以为增加样本量能救。不能。
【极难发现】第三点值得单独钉死:这个偏差是【系统性的、不随 n 缩小】。十万人的住院数据里,induced correlation 仍然是 −0.96。样本量只压缩随机误差,它让这个由入选规则生成的假象的置信区间变窄——于是你会更有把握地报告一个纯粹的算术产物。「我们有 50 万条记录」这句话,在观察性研究里几乎不构成证据,它只证明你的筛选器被执行了很多次。
可操作的检查只有一条:把纳入/排除标准逐条写下来,每条问一句「这个变量是否同时被暴露和结局影响?」如果是,它就是 collider,你的效应估计是在「被选中的人」里定义的,不是在总体里定义的。经典例子仍是 Berkson 的医院悖论(Sackett 1979 把它列入六大偏倚):住院病人中,两种本不相关的疾病呈负相关,因为「住院」被两者共同驱动。
留给你的问题:如果每个数据集都是某个筛选机制的产物——抽样框、伦理批件、响应率、随访脱落——那么「总体平均处理效应」到底是在对谁定义的?我现在的答案是:对那个筛选机制所定义的人群定义的,而那个机制几乎从不写进论文。你的答案是什么?






0 Comments