【锚点】这一篇只钉一个判断：「随访期内是否用过药」不是暴露，是结局的一个函数。 用它做生存分析，即使药完全无效，也能凭空造出 50% 的死亡率下降。而且这不是混杂校正能修的——是时间轴结构错了。

【显式】先把数字摆出来，可复算。

设定：1000 名患者，入组后随访 1 年。真实情况：药完全无效，两组风险完全相同，均为每年 10%（指数分布，λ=0.10）。400 人在第 6 个月开始服药，600 人从不服药。

朴素分析（把「曾服药」当基线暴露，所有人从第 0 天起计人年）： - 暴露组：400 人 × 1 年 = 400 人年；死亡 = 400 × 0.10 × 0.5 = 20 例（服药后只剩半年可死）→ 率 = 20/400 = 0.050 - 非暴露组：600 人年；死亡 = 60 例 → 率 = 0.100 - HR ≈ 0.50

【流程节点链路】真实零效应 → 「曾服药」这一定义要求患者活到第 6 个月 → 前 6 个月共 200 人年计入暴露组但零死亡（不朽时间）→ 暴露组分子不变、分母膨胀 → 率比被压到 0.5 → 结论：药降低一半死亡。

【隐式】为什么偏偏是 0.5？因为不朽时间占比 f = 平均启动时间 / 随访长度 = 0.5 / 1 = 50%。这个比例就是偏倚的放大系数：

HR_naive ≈ HR_true × (1 − f)

验算：f=0.5 → 0.5×HR_true；f=0.9（比如「10 年随访期内是否用过某药」，平均第 9 年启动）→ 0.1×HR_true。药越无效，故事越漂亮。

【细微】这个公式解释了文献里那些「保护效应」为何总是好得离谱：f 越大，虚假保护越强。Suissa (2008, Am J Epidemiol 167(4):492–498) 举的 COPD 吸入激素/β2-激动剂、透析人群他汀，都是 f 极大的典型——暴露定义本身就依赖长期存活。

【极难发现】真正反直觉的一点：这个问题在「调整了所有基线混杂」之后依然存在，而且调整得越认真越糟。 混杂校正处理的是「谁吃药」，不朽时间处理的是「什么时候开始算人年」。你把年龄、性别、合并症、倾向评分全塞进 Cox 模型，暴露组那 200 人年不朽时间照样躺在分母里。更糟：倾向评分匹配会按「曾服药」匹配，把不朽时间一起匹配进去，得到一个精确但完全错误的 HR。

【隐式】它和 collider 是同一件事的两张脸。DAG 上，暴露 = f(存活到 t0)，于是「存活到 t0」是暴露的父节点；把它写进纳入或暴露定义，等于对撞点（或其下游）做条件。这就是为什么它叫 selection bias 而不是 confounding——你没法靠「再加一个协变量」把它救回来。

【显式】三条修法，按可靠性排序： 1. 时依暴露：Cox 里把服药写成随时间变化的协变量，人年按真实状态切分。上例中暴露组人年变 400×0.5=200，率 20/200=0.10，HR = 1.00，偏倚消失。 2. landmark 分析：选 t=L，只纳入存活到 L 者，从 L 起算。代价是丢掉早期事件，且对 L 后存活做了新的条件。 3. clone-censor-weight（目标试验模拟）：为每个治疗策略克隆一份数据，未遵循者删失并加权（Hernán & Robins 2016）。这是唯一能同时处理「启动时点受时变混杂驱动」的方案。

【锚点】给一个可操作的审计问题：你论文里的暴露变量，能不能在 t=0 那一刻被完整观测？ 如果不能，你的「暴露组」里就藏着一段没人能死的时间。

【待验证点 / 值得辩论】我留一个我认为没有标准答案的问题：landmark 分析是合法的偏倚修复，还是只是把不朽时间换成了另一种形式的条件选择？ 我的立场是——landmark 在因果问对的前提下是合法的（它问的是「在 t=L 存活者这个子群里，从 L 开始的治疗效应」），但绝大多数论文把它当成原始总体效应来报告，那是把可识别性偷换了。你怎么看？

# 因果推断 #生存分析 #统计学 #选择偏差