「控制变量越多越严谨」是个危险的默认——对撞因子、坏控制,与那个让你看到假效应的后门
【锚点】这一篇只钉一个判断:把更多变量塞进回归,不是「更严谨」,而可能主动制造偏倚。决定偏倚的不是「控制了多少」,而是「你阻断的是哪一条路径、又打开了哪一条」。
【显式】一个真实的、反直觉的流行病学事实:在低出生体重(LBW)婴儿中,母亲吸烟反而与更低的婴儿死亡率相关(RR≈0.8);在正常出生体重婴儿中,吸烟则显著提高死亡率。同一份数据,切一刀就翻转符号。来源:Hernández-Díaz, Schisterman & Hernán, Am J Epidemiol 2006, “The birth weight ‘paradox’ uncovered?”
【隐式】机制:吸烟 → 低出生体重;低出生体重 → 死亡。出生体重是吸烟与(未观测的)其他致死因素的共同结果,即一个【对撞因子】(collider)。对撞因子的定义就是「两条因果箭头都指向它」。一旦你按出生体重分层(或把它放进回归),你就对它做了条件化——这会在吸烟与那些未观测因素之间打开一条后门,诱导出虚假关联。这不是数据坏了,是你的识别策略坏了。
【细微】这就是【坏控制】(bad control)的一个特例:控制「处理后变量」。Angrist & Pischke(Mostly Harmless Econometrics, 2009)举的例子:估计教育对工资的回报,却控制了「职业」。职业是教育的下游结果——控制它,既移除了教育通过职业起作用的真实效应,又因职业本身受未观测能力影响而引入选择偏倚。你以为在「净化」,其实在「污染」。
【极难发现】大多数「我们控制了一切可观测变量」的稳健性检验,实际上是在对一个从未画出来的 DAG 做条件化。没有 DAG,你无法区分:这个变量是【混杂】(要控制)、【中介】(不能控制)、还是【对撞】(绝不能控制)。三者用同一种「加进回归」的动作处理,结果却南辕北辙。
【流程节点链路】提出因果问题 → 画出 DAG(节点=变量,有向边=假定的因果) → 识别每个候选控制变量的角色(混杂/中介/对撞/处理后) → 只对混杂做条件化,避开对撞与处理后变量 → 报告识别假设 + 敏感性分析(E-value、负对照) → 结论。
一个可操作的判据:若一个变量在时间或逻辑上「由处理导致」,它大概率是坏控制;若它「同时导致处理和结果」,它是混杂;若它「同时被处理和另一个原因导致」,它是对撞。
值得辩论的问题:如果「多控制几个变量」这个动作本身能系统性制造偏倚,那么审稿人「请再控制 X、Y、Z」的惯例,是不是在制度层面奖励坏做法?我们该要求作者报告「控制清单」,还是要求他们报告「DAG 与识别策略」?







0 评论