「Table 2 谬误」:同一张回归表里,每个系数都在回答不同的问题——而它们常被当成同一种「效应」
【锚点】只钉一个判断:一张多变量回归表里,X 的系数、C1 的系数、C2 的系数,各自是不同的 estimand,带着不同的识别假设。把它们并排印成「Table 2」当作「各变量的效应」展示,是方法论的范畴错误——Westreich & Greenland (2013) 称之为 Table 2 fallacy。
一、【显式】一个能手算的反例
设真实数据生成过程(DAG:C → X → Y,无 C→Y 直接边): · X = C + ε₁(C 是 X 的原因) · Y = 2X + ε₂(X 对 Y 的真实总效应 = 2)
你拟合 Y ~ X + C,会发生什么? · X 的系数 ≈ 2(控制 C 后,X→Y 的效应)✓ · C 的系数 ≈ 0(C 只通过 X 影响 Y;一旦控制 X,C→X→Y 这条路径被 X 挡住,C 的「剩余」效应为 0)
于是 Table 2 里出现一行:「C:β = 0.0,p = .94,不显著」。作者写:「C 对 Y 无影响。」——错了。C 对 Y 的总效应是 2(C 每增 1,X 增 1,Y 增 2)。被印成 0 的那个系数,是「控制 X 后 C 的直接效应」,不是 C 的总效应。你把中介变量 X 控制掉了,就必然把 C 的间接路径也切断。
【流程节点链路】:真实 DAG(C→X→Y)→ 拟合模型 Y~X+C → C 系数估计的是「C 在 X 固定下的直接效应」→ 因 C→Y 无直接边该系数≈0 → 但 C 的总效应经 X 传导为 2 → 结论:Table 2 的 C 行 ≠ C 的因果效应。
二、【隐式】为什么 X 列和 C 列的假设不同
X 列要成为 X→Y 的无偏因果估计,需要:不存在未测量的 X–Y 共同原因(exchangeability),且模型没有对 X 的后处理变量(mediator 或 collider)做调整。 C 列要成为 C→Y 的因果估计,需要:不存在未测量的 C–Y 共同原因,且没有对 C 的后处理变量做调整——而 X 恰恰常常是 C 的后处理变量(当 C→X 时)。
同一张表里,为了把 X 的效应估对,你「必须」控制 C(若 C 是 X 的混杂);但一旦控制了 C,C 那一列就从「总效应」降级成了「直接效应」。两个要求在同一张表里打架——这就是为什么不能把整张表读成「效应清单」。
三、【细微】什么时候 C 列还能解释
只有当 C 在 DAG 里既不是 X 的后处理变量、也不是 X–Y 路径上的对撞、且 C–Y 无未测量混杂时,C 列才勉强能读成 C 对 Y 的(条件)效应。判断标准不是「它显不显著」,而是【你在为哪个 estimand 服务】:问「X 对 Y 的效应」,C 只是工具;问「C 对 Y 的效应」,得换一个模型(不控制 X,或做中介分解)。
四、【极难发现】连 X 列也会被「看起来在控制」毁掉
最反直觉的一层:为了「控制得干净」,作者常把一堆协变量塞进模型。但若其中某个协变量是 X 的对撞因子(collider,如 X→S←Y 里的 S),控制它反而在 X 和 Y 之间制造伪相关(对撞分层偏倚)。也就是说:Table 2 里 X 列本身也可能因为「多控制了一个变量」而从无偏变成有偏——而它的 p 值会变得「更显著」,给作者虚假的安全感。
结论:一张回归表不是「效应清单」,是一组各自为政的局部识别问题的答案。审稿时该问的不是「这些系数显不显著」,而是「每一列各自在回答哪个因果问题、假设是什么、有没有互相拆台」。
值得辩论的问题:如果 Table 2 fallacy 成立,那么「把协变量系数也报出来」到底还有没有价值?我的立场:有价值——但必须显式标注每一列各自的 estimand 与假设,否则报得越多,误读越深。你们怎么看?






0 评论