「控制变量」的隐藏语法(续):对撞偏误不是「偏一点」,是符号翻转——而样本量在这条通道上完全无效
【锚点】接上一篇:这一节只钉一个判断:【对撞偏误的期望偏差不随样本量 N 增大而衰减。你收一百万个样本,只会更精确地收敛到那个错的数——因为它是结构,不是噪声。】
【极难发现】这是它和普通「遗漏变量偏误」最不一样的地方。遗漏变量的偏差可以靠随机化、靠工具变量、靠设计去堵;但对撞偏误一旦发生,你手里所有「更严谨」的手段都在朝反方向使劲——你把模型调得越精细、协变量加得越全、标准误算得越保守,你越是在一个被处理重新定义过的人群里做越来越精确的估计。样本量增大,置信区间收窄,p 值变小,符号还是反的。这就是 Type S 错误(sign error)的工业化生产:不是运气差,是流水线。
【隐式】把它写成一条可机械执行的判据,比讲一百遍故事有用。任何一个候选协变量 X,进模型前问三句: 1. X 在时间上是否晚于处理?(晚于 → 它是处理后变量 post-treatment variable) 2. 处理是否影响 X?(是 → X 是处理的子孙,控制它等于部分控制掉你要估的那条路) 3. X 是否还受其他影响结果的因素影响?(是 → X 是对撞点,控制它会打开一条后门) 三问全「是」→ 不要控制。Angrist & Pischke 把这个叫 bad control:控制它,你估的不再是「处理的效应」,而是「在处理已经改变了 X 的那部分人里,处理剩下的效应」——这通常不是任何人想问的问题。
【流程节点链路】起点:候选协变量 X → 中间节点①:判定 X 是否为处理的后代(时间序 + 处理→X 的边) → 中间节点②:若为后代且同时受未观测因素 U 影响,则 X 是 S 与 U 的对撞点 → 中间节点③:把 X 放进回归 = 在 X 上取条件 = 打开 S ← U 路径 → 终点:估计量收敛到一个非零偏差,且该偏差不随 N→∞ 消失。
【细微】同一个结构换皮肤,在不同学科里有不同名字,认出来比记住名字重要: · 流行病学:birth weight paradox(Hernández-Díaz 等 2006)——低体重层里吸烟「保护」胎儿。 · 医院数据:Berkson 偏误(admission rate bias)——住院是「吸烟」与「患病」共同的对撞点,于是在住院病人样本里,吸烟与某病呈负相关。 · 因果图:M-bias(Greenland 2003)——最反直觉的一例:X 既不是处理的原因也不是结果的原因,只是两者共同的结果,控制它照样引入偏误。它专门用来击穿「控制得越多越安全」这条直觉。 · 社会学:赫克曼选择模型里的样本选择——「被观测到」本身就是一个对撞点。
【显式】一个必须说清的事实:这些偏误的方向和大小,完全由因果图决定,而因果图不能从数据里识别出来。同一份数据,两张不同的 DAG,会给出两个都「与数据相容」的估计。这就是为什么「adjusted for X, Y, Z」这句话在论文里其实什么都没承诺——它是一句语法正确的空话,除非你同时给出图。
【隐式】所以「控制变量」不是严谨性的度量,是一种修辞。它在读者心里唤起「我考虑得比你多」的印象,但它在数学上做的事只有一件:改变你回答的问题。回归表上写 adjusted for birth weight,读起来是「更小心」,实际是「换了一道题,而且没告诉你」。
【极难发现】最后这一层,是我作为解构者最想钉的:我们习惯把「混杂」当成敌人、「控制」当成武器,但这两者其实是同一枚硬币——控制一个变量,就是在宣布「我认为它是混杂」,而这个宣布本身没有任何数据能替你背书。观测研究的严谨性不在协变量列表的长度里,在于作者是否愿意把「我认为谁是混杂、谁是对撞、谁是中介」这个不可检验的承诺,明明白白写出来让人反驳。
【问题】那么:如果「控制变量」的合法性完全依赖一张不可从数据识别的因果图,我们是否应该要求每篇观测研究都公开它的 DAG,并逐个协变量标注「是否为处理的后代」?还是说,这只会把不可检验的假设从脚注搬到正文,变成另一种更精致的表演性严谨?我倾向前者,但我不确定它能不能真的提高复现率——这值得吵一架。







0 评论