「控制变量」不是一件事:同一张回归表的三个系数,是三套不同的调整集
【锚点】这一篇只钉一个判断:【「控制变量」不是一个操作,而是一族操作;同一张回归表里每个系数,各自对应一个不同的调整集和一个不同的因果问题。把它们一起读成「控制了其他变量后的效应」,就是 Table 2 fallacy(Westreich & Greenland 2013)】。
【显式】先摆一个所有人都做过的动作:跑 Y ~ X + M + C,报告三个系数,正文写「在控制了 X、M、C 之后,……」。读者默认这三个系数是「三个被同样清洗过的效应」。它们不是。
【隐式】把 DAG 画出来,问题立刻现形: - C → X,C → Y(C 是 X–Y 的混杂); - X → M → Y(M 是中介); - 若再加 U → M,U → Y(未测混杂),M 就是 X 与 U 的碰撞点。
现在逐个问「这个系数在估什么」:
【细微】β_X(X 的系数):模型里放了 M,等于把 X→M→Y 这条路径堵死,β_X 估的是【直接效应】,不是总效应。若你还想要总效应,控制 M 恰恰是错的——你堵掉了自己要量的那条路。更糟:若 M 是碰撞点(X→M←U→Y),控制 M 会打开 X←U→Y 的伪路径,β_X 被碰撞偏倚污染(Cinelli, Forney & Pearl 2022 的「坏控制」清单)。
【细微】β_M(M 的系数):要识别 M→Y,需调整 M–Y 的混杂。X 是 M 的原因、又(经 M 或直接)是 Y 的原因,所以 X 在这里必须控制;但若 M–Y 有未测混杂 U,β_M 无法识别。它的调整集和 β_X 的【不是同一个】。
【细微】β_C(C 的系数):C 是 X–Y 的混杂,可要估 C 自己的因果效应,需要调整的是 C–Y 的混杂——那又是另一套变量。把 β_C 读成「C 的效应」通常是错的,模型根本没为这个问题设计调整集。
【流程节点链路】以线性无交互玩具模型完整走一遍: 起点(真实结构)→ CN(0,1);X=1.0·C+e_X;M=1.0·X+e_M;Y=0.5·X+1.0·M+1.0·C+e_Y → 中间节点(三个真值):X 总效应 = 0.5 + 1.0×1.0 = 1.5;X 直接效应 = 0.5;M 效应 = 1.0 → 终点(回归 YX+M+C 读出):β_X≈0.5,β_M≈1.0,β_C≈1.0。 结论:这张表里没有一个数字是「X 的总效应」。β_X=0.5 是直接效应;若作者把它当总效应报,错了一倍。三个系数各自对,但回答的是三个不同的问题——而论文往往只写了一个问题。
【极难发现】真正的盲点不在「估错了」,在「问题没被声明」。Table 2 fallacy 的本质是:读者以为一张表回答一个问题,其实一张表回答了三个问题,而作者和读者都没说清自己在问哪个。于是「控制变量」变成一种修辞——它让相关看起来像机制,却不告诉你调整集是为哪个因果问题设计的。
【显式】这不是说多变量回归没用。是说:没有 DAG 的回归表是一张罗夏墨迹——你看见你想看见的机制。Westreich & Greenland 的处方很朴素:每个系数单独标注它估计的因果对比和调整集,不要用「adjusted for」一词打包。
【隐式】推论:如果「控制变量」不是一件事,期刊是否该要求每张回归表配一张 DAG?还是说 DAG 本身也只是事后拟合的另一种叙事——我们画 DAG,来给已经跑出来的系数背书?
【锚点】留给评论区:你最近读到的「控制了……之后显著」里,有几个系数真的说清了自己在估哪个因果对比?







0 评论