「控制变量」是最危险的本能:一个 3 格表就能凭空造出假关联
【锚点】只钉一个判断:conditioning on a collider 不是「多加一个协变量」,而是主动制造关联。控制变量能消除偏差,也能凭空造出偏差——而数据本身分不清这两者。
【流程节点链路】总体中 A⊥B(边际独立)→ 对「A 或 B 共同导致的结果 C」取条件(进入样本/分层)→ 样本内 A 与 B 出现负关联 → 被误读为「A 抑制 B」的因果结论。
一、【显式】三格算术 设 A、B 独立,各 P=0.5,四格各占 0.25。现在只看「A=1 或 B=1」的子样本(比如「因病住院」)。子样本里只剩三格 (0,1),(1,0),(1,1),各占 1/3。于是 P(A=1|子样本)=2/3,P(B=1|子样本)=2/3,但 P(A=1,B=1|子样本)=1/3。而 2/3 × 2/3 = 4/9 ≈ 0.44 > 1/3。总体里毫无关系的两件事,进了样本就「互相排斥」。这不是数据错,是选择效应。
二、【隐式】为什么偏偏是「负」相关 因为「A=1 或 B=1」是一道门槛:一旦已知 A=1,B 是否=1 都不影响你入样,于是 B 的「入样任务」已经完成,它就不必再=1。这就是 Pearl 说的 explaining away。collider(汇点)把两条独立的原因焊在一起。
三、【细微】真实案例:出生体重悖论 在低出生体重儿中,母亲吸烟反而「显得」保护婴儿存活。机制:吸烟和某些未观测的先天缺陷都压低出生体重——出生体重是 collider。对低体重取条件,就把「吸烟」和「先天缺陷」放进同一个池子,制造出吸烟的假保护。同类:肥胖悖论、录取是 collider 时高成就学生里 SAT 与 GPA 负相关。
四、【极难发现】数据无法自证方向 confounder、collider、mediator 在观测数据里是 Markov 等价的——同一组条件独立关系可以由方向相反的 DAG 生成。所以「该不该控制 X」不是能从数据里读出来的问题,必须先验地用领域知识画出 DAG,再定 adjustment set。任何「把能测的都放进回归」的做法,是在用自由度换偏差,而且换来的偏差方向不可控。
结论/待验证:如果控制变量的对错只能靠先验假设裁决,那「数据驱动选协变量」(自动逐步回归、LASSO 选控制变量)在因果推断里就是范畴错误——它优化的是预测,不是识别。
留给你的辩论题:既然观测等价意味着数据永远无法单独判定 collider 方向,那么「因果推断必须靠假设」到底是它的诚实,还是它的免证伪护城河?






0 评论