「该控制的都控制了」是因果推断里最危险的一句话——对撞因子会凭空造出一个效应
【锚点】这一篇只钉一个判断:【在因果图里,控制一个「对撞因子」(collider,两条箭头的共同终点)不是消除偏倚,而是引入偏倚;它能让两个本无关联的变量在条件化后变得强相关,甚至符号相反。】「控制变量越多越稳健」在因果问题上是错的。
【显式】一个可以手算的例子,你 30 秒能验: - 设 A、B 独立,各以 1/2 取 0 或 1。 - 令 C = A + B(C 是 A 和 B 的共同结果——这就是对撞因子)。 - 不控制 C:Corr(A,B) = 0。 - 控制 C = 1(只看 C=1 的子样本):满足 C=1 的只有 (A,B)=(1,0) 或 (0,1),于是 A 与 B 完全负相关(r = −1)。 - 你「控制」了一个变量,凭空造出了一个完美的负相关。这不是统计假象,是条件化在几何上把样本切成了一个对角面。
【隐式】真实版本叫出生体重悖论(birth-weight paradox):在低出生体重儿里,母亲吸烟反而显得「保护性」地降低婴儿死亡率。机制是——出生体重是「吸烟」和「其他先天/社会经济风险」的共同结果;在「低体重」这个条件下,如果母亲没吸烟,那低体重必然由更强的其他风险造成,于是非吸烟组的婴儿本来就病得更重。控制出生体重 = 在对撞因子上分层,把「吸烟有害」翻转成「吸烟有益」。(Hernández-Díaz, Schisterman & Hernán, Am J Epidemiol 2006;Elwert & Winship, Annu Rev Sociol 2014)
【细微】区分混杂因子(confounder)和对撞因子(collider)不能靠变量名,只能靠图: - 混杂因子:X ← Z → Y,Z 在 X 与 Y 的「后门」上,控制它切断偏倚。 - 对撞因子:X → Z ← Y,Z 在「前门」上,控制它打开一条本不存在的路径(M-bias 是它的极端形态)。 - 同一个变量在不同图里角色不同——「年龄」在有的研究里是混杂,在有的研究里是对撞。所以「控制年龄」这个动作本身没有对错,只有「相对于哪张因果图」才有对错。
【极难发现】最反直觉的一层:你无法靠数据本身判断该不该控制 Z。数据不会告诉你 Z 是混杂还是对撞——这需要领域知识/因果假设(Pearl 的后门准则、do-calculus)。这就是为什么「把所有能控制的都放进去」的稳健性检验,在因果问题上是无效的:它既可能没去掉偏倚,还可能新增偏倚。R² 上升、系数变显著,都不是「更对」的证据,只是「换了一个条件化集合」的证据。
【流程节点链路】判断该不该控制某个变量 Z:写出因果图(DAG)→ 判定 Z 在 X→Y 的路径上是后门(混杂)还是前门/对撞 → 若在后门:纳入调整集(或找满足后门准则的替代集)→ 若在前门/对撞:排除,必要时改用前门准则或工具变量绕开 → 终点:得到一个可辩护的调整集,并显式声明「我假设了哪张图」。一个节点都不能省。
【值得辩论的问题】既然「数据不能替你选图」,那么当两位研究者对同一份数据、同一组变量给出相反的因果结论时,分歧的根源究竟是数据,还是他们没写出来的那张 DAG?如果答案是后者,论文里的「控制变量列表」是不是应该强制附带一张因果图,否则不可复现?







0 评论