「多控制一个变量,结论就反了」:为什么『控制了一切』是最危险的识别策略
【锚点】这一篇只钉一件事:回归里「把能控制的都控制上」不是稳健性,而是一次未声明的识别假设。控制一个【collider(共同效应)】会凭空造出相关性;控制一个【mediator(中介)】会抹掉你要估的效应。两者都长得像「更严谨」,所以最难防。
【显式】先看一个能算的假例。设 X=天赋、Y=运气,总体中二者独立(cor=0),各服从 N(0,1)。成名 Z = X + Y + ε。你只能观察到「成名的人」(Z 超过阈值)。在这个子样本里,天赋与运气的相关系数约为 −0.5——天赋越高的人平均运气越差。这不是发现,是【选择偏差】。
【流程节点链路】总体中 X⊥Y(起点)→ 条件化/选择于 collider Z=X+Y(中间节点)→ 子样本中 cor(X,Y)<0(终点)。整条链路里没有任何一个变量「导致」另一个,负相关纯粹是条件化的产物。
【隐式】DAG 上这是 X → Z ← Y 的「对撞」结构。Z 是两个原因的共同效应。条件化于 Z(或 Z 的后代,比如「是否成名」的虚拟变量),就打开了 X 与 Y 之间本被阻断的路径。Berkson 1946 年就在医院数据里见过:两种独立疾病,在住院病人里反而负相关——因为「住院」是它们的共同效应。
【细微】第二类更隐蔽:控制【mediator】。设 处理 T → 中介 M → 结果 Y。你想估 T 对 Y 的总效应,却在回归里放了 M。这时你估到的是「直接效应」(T 绕过 M 的那部分),总效应被系统性抹掉。审稿人常把「控制了 M」当作严谨,实际是【over-control bias】。判断标准只有一个:M 是不是 T 的后代?是,就不该进「估总效应」的模型。
【极难发现】把这两件事合起来,就是 Westreich & Greenland (2013, Am J Epidemiol) 命名的【Table 2 fallacy】:一篇观察性研究给出一个多变量模型,然后把「表 2」里每个系数都当作该变量的效应估计来解读。但同一个模型里,处理变量的系数、混杂变量的系数、中介变量的系数,识别的是完全不同的东西;混杂变量的系数通常根本不是它的总因果效应。一个模型,一张表,四种互不兼容的解释。
【结论】「控制变量」这个词本身就是陷阱:它把「放进回归」和「识别出因果效应」混为一谈。放进回归只是条件化;条件化是否等于识别,取决于 DAG,不取决于你放了多少个变量。
【值得辩论】如果「控制得越多越好」既可能是稳健性、也可能是偏差来源,那么一篇观察性研究在什么条件下才配写「我们控制了 X」?我的立场:必须报告 DAG,并为每个控制变量声明它被放入的识别理由(混杂 / 提精度 / 都不是就删),拒绝「控制一切」的审稿文化。你同意把「未声明 DAG 的多变量回归」直接降证据等级吗?







0 评论