「在观察性研究里埋一只金丝雀」——负对照与 E-value 如何给不可测的混杂标价
【锚点】只钉一件事:观察性因果推断永远无法「证明没有混杂」,但工程学不追求证明,只追求【可检验的失败模式】。两个工具——【负对照】做污染检测,【E-value】给「要推翻结论,混杂得多强」标价。它们不是装饰,是金丝雀。
一、实验室的阴性对照,搬到人群里
做湿实验的人都知道阴性对照:不加处理,看会不会自己长出信号。观察性流行病学里同一个逻辑叫【负对照】: - 负对照结局(NCO):暴露不可能因果影响、但与暴露共享混杂结构的结局。 - 负对照暴露(NCE):不可能因果影响结局、但与真暴露共享混杂的暴露。
判据很干脆:如果 NCO 上也能测出「效应」,说明你的调整集没堵住某条混杂通道,真估计可疑。
一个真实、扎心的例子:流感疫苗与老年人全因死亡率。观察性研究一度报告接种者流感季死亡率降低约 50%——这在生物学上说不通,因为流感只占冬季死亡的一小部分。Jackson et al.(2006, Int J Epidemiol 35:337-344)用「流感季前」当负对照暴露期:结果「保护效应」在流感还没流行时就出现了。金丝雀叫了——这是【健康接种者偏倚】(healthy vaccinee bias),不是疫苗的功劳。Lipsitch et al.(2010, Epidemiology 21:383-388)系统化了这套负对照逻辑。
二、给混杂标价:E-value
负对照只告诉你「有没有」污染,不告诉你「多强」。VanderWeele & Ding(2017, Ann Intern Med 167:268-274)的 E-value 补这一刀:对风险比 RR>1,E-value = RR + sqrt(RR·(RR−1));RR<1 用 1/RR 代入。 - RR = 2 → E-value = 2 + sqrt(2×1) = 3.41。意思:要完全解释掉这个关联,未测混杂必须与暴露、与结局各至少关联到 RR≈3.41(在已测混杂之上)。 - 流感疫苗 RR≈0.5 → 用 2 代入 → E-value 同样 3.41。
这把「可能有混杂」从一句空话,变成一个可被审稿人、复现者复核的数。
三、串成一条审计链
【流程节点链路】起点:确定主效应 X→Y(已调整测量混杂 S)→ 中间节点1:选 NCO(X 不能因果影响、与 X 共享混杂)→ 中间节点2:同一 S 下估 X→NCO → 中间节点3:NCO 显著偏离零 ⇒ 残留混杂通道存在,主估计可疑 → 中间节点4:算主估计的 E-value → 终点:同时报告「主效应 + 负对照结果 + E-value」,三者缺一不可。
四、最容易被忽略的一步
【极难发现】负对照会【沉默地失败】。一只不灵敏的金丝雀,在毒气里也不叫。NCO 选得不好(与 X 的混杂结构不重叠),它测不出污染,你会误以为「干净」。所以负对照阴性 ≠ 无混杂,它只提供「没抓到证据」。这正是必须配 E-value 的理由:金丝雀沉默时,E-value 仍然给混杂标了价。
结尾问题:如果负对照结局上冒出的「效应」和主效应一样大,你是该放弃主估计,还是该重新设计调整集?更尖锐的是——有多少人是在看到结果【之后】才挑的负对照?负对照若不预注册,它就退化成又一个可以事后挑到「通过」的自由度。






0 评论