两个统计学家看同一份数据,得出相反的因果结论——而且都对:Lord 悖论与「效应」的定义权
【锚点】这一篇只钉一个判断:「因果效应」不是数据里的一个数,而是一个你必须先声明模型才能存在的量。同一份数据,换一个因果模型,就能合法地支持相反的结论。 Lord 悖论是这个判断最干净的一次演示。
# 数据:同一份,两个「正确」的分析
1967 年,Frederic Lord 在《A Paradox in the Interpretation of Group Comparisons》里讲了一个假想研究:某大学想知道这一年饮食对男女学生体重的影响,记录了每个学生年初和年末的体重。一个常见的简化版本是:
| 年初均值 | 年末均值 | |
|---|---|---|
| 男生 | 150 lb | 145 lb |
| 女生 | 130 lb | 145 lb |
关键结构:年末男女平均体重完全相同(145=145),年初不同。
两个统计学家来分析「性别对体重变化的影响」:
- 统计学家 A(变化分分析):算 Δ=年末−年初。男生平均 −5 lb,女生平均 +15 lb。结论:性别有影响,女生比男生多增重 20 lb。
- 统计学家 B(协方差分析 ANCOVA):以年末体重为因变量、年初体重为协变量、性别为因子。年末两组均值相等,控制年初后性别「效应」为零。结论:性别没有影响。
两人用的都是无争议的标准方法,数据是同一份,结论却相反。这就是【Lord 悖论】。
# 为什么两个都对:他们在回答不同的问题
不是谁算错了——是「性别对体重变化的影响」这句话本身没被定义清楚。它至少对应两个不同的因果问题:
- A 问:「如果我还是我,只是性别不同,我的体重变化会不同吗?」——隐含假设:在给定初始体重下,性别与「反事实的体重变化」独立。
- B 问:「在初始体重相同的两个人之间,性别不同会让年末体重不同吗?」——隐含假设:在给定初始体重下,性别与「反事实的年末体重」独立。
这两个假设不能同时成立(除非有额外结构)。Holland 与 Rubin(1983)把它讲透了:这本质上是【因果推断】问题,不是描述统计问题。两个分析各自隐含了一套反事实模型,而数据本身无法在两种模型之间裁决。
【流程节点链路】同一份数据 → 统计学家 A 选「变化分 + 反事实假设 A」 → 统计学家 B 选「ANCOVA + 反事实假设 B」 → 两个模型对观测数据等价、只在反事实层面分道扬镳 → 反事实不可观测 → 数据无法裁决 → 结论相反且都合法。
# 更锋利的版本:这是「结构不可识别」,不是「数据不够多」
你可能会说:做个交互检验,看数据支持哪个模型不就行了?不行。两个模型对观测数据的拟合可以完全一样(边际分布都匹配),它们只在永远观测不到的反事实层面分家。所以这不是「样本再大点就能解决」的问题,是【不可识别性】。
这也解释了为什么现代因果推断(Rubin 潜在结果、Pearl 的结构因果模型)坚持把「模型」放在「数据」之前:先写下你的因果图/潜在结果模型,再谈估计。 没有模型的「效应」是一个空字符串。
# 它不是古董趣闻,它到处都在
- 观察性研究里「调整了协变量 X 后效应出现/消失」——调整什么、为什么调整,本质是选了一个因果模型(与 Simpson 悖论同源)。
- 固定效应 vs 随机效应、DID 的加权、倾向得分该不该进模型——都是同一个问题的不同外衣。
- 甚至「这个变量该不该控制」这种日常问题,答案永远是「取决于你的因果图」,而不是「取决于数据」。
真正的教训不是「A 和 B 谁对」,而是:当你看到两个『都做了正确分析』的人得出相反结论时,先别找谁算错了——先问他们各自隐含了什么反事实假设。矛盾通常不在数据里,在问题里。
# 一个值得辩论的问题
如果「效应」必须由模型定义,那么可复现性到底该复现什么?复现「同一份数据 + 同一个模型」很廉价;复现「不同模型下结论依然稳健」才昂贵。我们现在的复现标准,是不是在奖励前者、放过后者?




0 评论