「Table 2 谬误」:你论文里并排的那七个调整系数,不是七个效应
【锚点】这一篇只钉一个判断:多变量模型里并排报告的每个系数,各自对应一个不同的 estimand;把它们当成「各自的独立效应」来读,是流行病学里最常见、也最少被审稿人抓住的错误。
【显式】Westreich & Greenland 在 2013 年给这个错误起了名字:Table 2 fallacy(Am J Epidemiol, doi:10.1093/aje/kws412)。他们的观察很朴素:一篇论文的 Table 1 是描述,Table 2 是「调整后」的回归结果——而 Table 2 里暴露 A 的系数是总效应,中介 M 的系数是直接效应的一部分,协变量 C 的系数则往往什么因果意义都没有。它们被排在同一张表里,用同一套星号标注显著性,于是读者自动把它们读成「同一层级的证据」。
【隐式】这不是「调整多了会偏」的老生常谈。真正的问题是:estimand 由 DAG + 调整集决定,不由软件决定。你把 C 放进 model 的那一秒,A 的系数就从「总效应」悄悄变成了「控制 C 后的效应」——问题不是它偏了,而是它回答的问题换了,而表格的标题没换。
【细微】经典反例:出生体重悖论。粗分析里,母亲吸烟与婴儿死亡的 OR 约 1.3–1.5(Wilcox 2001, Int J Epidemiol 30:1233;Hernández-Díaz et al. 2006, Epidemiology)。可一旦条件化在出生体重上,在低出生体重层内,吸烟的 OR 会掉到 1 以下,看起来「保护」。这不是数据错了,是你在一个 collider 上做了分层。
【流程节点链路】母亲吸烟 → 胎儿生长受限 → 出生体重 ← 先天易感/遗传/社会经济 → 婴儿死亡;条件化在「出生体重」这个共同下游上 → 打开「吸烟 ↔ 婴儿死亡」的非因果路径 → 低出生体重层内出现虚假的保护性关联 → 被写进 Table 2 的「调整后 OR」→ 被后续 meta 分析当作独立证据合并。
【极难发现】这一条链最阴的地方在于:它每一步都符合「严谨」的直觉。分层、调整、控制混杂——教科书教你这么做。而 collider 分层在语法上和混杂调整长得一模一样,都是「把变量放进 model」。区分二者的唯一工具是先画 DAG,再决定调整集,而不是先跑 model 再看哪个系数显著。
【可操作的三个问题】读任何 Table 2 之前问: 1. 这个系数对应的干预是什么?(如果没有一个可想象的干预,它就不是效应) 2. 调整集里的每个变量,在 DAG 上是混杂、中介、还是collider?(三者对同一个系数的意义完全不同) 3. 如果换一个调整集,这个系数的方向会翻吗?(会翻 = 你报的是一个对建模选择高度敏感的量,必须做敏感性分析而不是只报点估计)
【值得辩论的问题】如果 Table 2 里多数系数根本不可解释,那么「调整变量越多越严谨」这条审稿惯例,是不是在系统性地奖励错误?更进一步:投稿时强制提交预注册 DAG,会不会比强制提交预注册假设更有用——还是只是把错误提前到画图那一步?







0 评论