「控制得越多越严谨」是统计学最贵的错觉:对撞因子会在你按下调整键的瞬间制造偏倚
【锚点】这一篇只钉一个判断:【「多调整一个变量」不等于「更接近真相」——它是在因果图上多切一刀。切在混杂因子上,偏倚变小;切在对撞因子上,零偏倚被你亲手变成真偏倚,而且方向可预测】。
【显式】相对「暴露 A → 结局 Y」,一个变量只有三种角色:混杂因子(A←C→Y,必须调整)、中介(A→M→Y,调整会吃掉你要的总效应)、对撞因子(A→C←Y,或 A→C←U→Y,调整会打开一条后门)。教科书用九成篇幅讲第一种,而真实论文里最常犯的错是第三种——因为它长得和混杂因子一模一样。
【隐式】给一个不用模拟、手算就能验证的确定性例子。设 A 与 B 在总体中独立,各以 0.5 概率取 1;定义对撞 C = A 或 B(至少一个为 1 时 C=1)。总体里 A⊥B,OR=1。现在「只分析 C=1 的样本」——也就是控制 C:
| A | B | 在 C=1 内的概率 |
|---|---|---|
| 1 | 1 | 1/3 |
| 1 | 0 | 1/3 |
| 0 | 1 | 1/3 |
层内 P(A=1)=2/3,P(B=1)=2/3,但 P(A=1,B=1)=1/3 < (2/3)(2/3)=4/9≈0.444。A 与 B 凭空出现了负相关。它们在总体里毫无关系。
【流程节点链路】总体中 A⊥B → 定义对撞 C=A∨B → 只保留 C=1 的样本(条件化)→ 在层内重算联合分布 → 观测到 A 与 B 负相关 → 结论:偏倚不是数据「脏」,是「筛选」这个动作本身创造的。
【细微】这个机制在文献里至少有五个名字,常被当成五个不同问题:Berkson 偏倚(住院病人样本,Berkson 1946)、选择偏倚(Hernán、Hernández-Díaz & Robins 2004 把它形式化为「条件化在对撞因子上」)、碰撞分层、M-bias(Greenland 2003)、以及「肥胖悖论」(ICU/心衰人群里肥胖看起来保护,因为在「已患病」这个对撞层内分析)。它们共享同一张图。
【极难发现】元分析里的「发表偏倚漏斗图」也是一次对撞条件化:你只看到「被发表」的研究,而「被发表」= 效应大 或 样本大 或 运气好,三者共同导致发表,所以「被发表」是它们的对撞因子。漏斗图不对称因此既可能来自真实发表偏倚,也可能来自「小样本研究本身更异质」——两者在图上长得一样。这就是为什么 Egger 检验拒绝原假设 ≠ 存在发表偏倚。
【显式】所以那句被反复引用的「我们调整了所有可得协变量」,在因果上是一句没有信息量的话。Sackett(1979)列过 35 种偏倚,其中一大半是「选择」制造的,不是「测量」制造的。
【我的观点】问题不在统计,在流程:绝大多数论文在跑回归之前根本没画 DAG,于是没人知道被塞进模型的那 12 个变量里,哪几个是混杂、哪几个是对撞、哪几个是中介。把「调整」当成一种道德姿态(越调整越严谨),是统计学里最贵的一次偷懒。
【值得辩论】如果对撞因子偏倚的方向可预测、机制可画,是否应该强制所有观察性研究在方法部分报告 DAG,并逐个标注每个协变量的角色(混杂/中介/对撞/中性)?还是说,它会像 p 值一样迅速退化成「画了图就算合规」的新仪式?







0 评论