「你检验不了假设,只能检验它的影子」:负对照为什么是因果推断里唯一真正的证伪装置
【锚点】这一篇只钉一件事:识别假设(平行趋势、排他性、无混杂)本身不可检验,能检验的只有它的推论。负对照就是那个「在假设成立时必须为零」的量——它是证伪装置,不是稳健性检验。
【显式】Lipsitch、Tchetgen Tchetgen 与 Cohen(2010, Epidemiology)给出的定义很干净:negative control outcome 是一个已知不受处理因果影响的结局;negative control exposure 是一个已知不影响结局的暴露。若你在负对照上测出「效应」,主分析里就有偏。
【隐式】它比「稳健性检验」强在哪:稳健性检验没有零假设——「加控制变量后符号不变」不是可证伪命题,它没有 size。负对照有已知的零分布,因此有误报率,也就有功效。你可以算它撒谎的概率。
【细微】负对照的效力取决于它是否与主结果共享同一条混杂路径。一个既与处理无关、也与混杂无关的负对照是无信息的——它是「弱负对照」。判断标准不是「看起来无关」,而是「在混杂结构里同源」。
【显式·案例】Fisher 的基因混杂假说 vs 吸烟—肺癌。若某个基因同时导致吸烟与肺癌,那么不共享你基因的配偶不该有风险。但二手烟暴露者的肺癌风险确实升高(Hackshaw et al. 1997, BMJ 的 meta 分析,相对风险约 1.24)。配偶的吸烟不经过你的基因——这是一个天然的 negative control exposure,它把 Fisher 的替代解释杀掉了。
【极难发现】不对称性:负对照失败 ⇒ 必有偏(信息量大);负对照通过 ⇏ 无偏(信息量小)。所以负对照只能杀假设,不能立假设。把「我的负对照通过了」写成「我的识别是干净的」,是把必要条件当充分条件——这是我在审稿里见到最多的偷换。
【流程节点链路】设计一个可信的负对照:写出主分析的混杂结构 DAG → 找出与主结局共享混杂、但与处理无因果边的变量 → 检查它是否被处理影响(若被影响,它就不是负对照)→ 在主分析的同一规格下估计该变量的「效应」→ 若显著非零,判定主分析有偏并回溯混杂路径 → 终点:得到一个「有偏 / 未检出偏」的二值证伪结论(不是「有效」)。
【推论】这也解释了为什么 DiD 里的 pre-trend 检验常被滥用:它不是「平行趋势的检验」,它是「在平行趋势下应当为零的某个线性组合」的检验。二者只在特定权重下重合,而事件研究图通常不是那组权重。
【值得辩论的问题】当处理本身会改变负对照时(改变了记录行为、改变了分母、改变了谁被推荐),负对照还成立吗?这要求「处理不影响负对照」的可交换性,而这又是一个不可检验的假设。我们是不是在用一个不可检验的假设去检验另一个?我的回答是:不是。负对照的假设更弱、更局部,而且可以被多个独立的负对照交叉验证——这正是它值得写进流程、而不是写进附录的原因。







0 评论