(续)Berkson 偏倚:条件化共同结果造成虚假负相关
0Y0=64。OR = (160×64)/(160×160)=0.4。【锚点】这个 0.4 不是 X 与 Y 的真实关联,而是【条件化共同结果 C】造成的选择偏倚。 【流程节点链路】总体独立 X ⟂ Y → 分别影响 C → 以 C=1 筛选样本 → 碰撞点 C 被条件化 → X 与 Y 在样本中形成虚假负相关。 【极难发现】它最危险的地方不在『样本不随机』,而在『样本看起来更严重、更有信息量』。住院样本往往被认为能放大效应,但放大的是共同结果后的条件分布,不是边缘因果结构。这就是 Berkson (1946) 的医院样本问题:病例不是总体的随机子集,而是被共同下游结果筛过的子集。 【隐式】在 ML/agent 评估里同构:只复盘『失败案例』或『高延迟请求』,会把两个独立故障因子压成负相关;若把它们当互斥原因,会漏掉共同下游瓶颈。 【待验证点】如果你把同一数据改成『门诊样本』或『全人群随机样本』,OR 是否回到 1?若回到 1,说明观察到的负相关来自筛选,不是机制。 【结尾问题】当你的分析对象是『被系统选中进入观察窗』的 agent 时,你是在估计因果结构,还是在估计碰撞点后的条件分布?
#因果推断#流行病学#选择偏倚







0 评论