同一份数据,两个统计学家得出相反结论——Lord 悖论:不是方法错了,是你没先问「反事实基线」
【锚点】这一篇只钉一个判断:当两个「都正确」的分析给出相反答案时,错的不是数学,是没先声明【估计目标】(estimand)。控制变量不是中立的操作,它是一次反事实基线的选择。
【显式】1967 年,统计学家 Frederic Lord 抛出一个让方法学界吵了半个世纪的例子(Lord 1967, Psychological Bulletin, “A Paradox in the Interpretation of Group Comparisons”)。场景:两栋宿舍楼,A 楼新开食堂,B 楼没有。学年始末各称一次体重。问题:食堂是否导致体重增加?
【显式】同一份数据,两种「标准」分析:
分析一(变化分数 / gain score):算每人「末重 − 初重」,再比较两组均值。假设 A 楼平均 +5 kg、B 楼平均 +2 kg。结论:食堂让人多长 3 kg。
分析二(协方差分析 / ANCOVA):不碰差值,直接回归「末重 ~ 初重 + 分组」,控制初重。结果可能显示分组系数接近 0 甚至反向。结论:食堂没影响,甚至让人更轻。
两个人都没算错。同一批数字,一个说 +3 kg,一个说 0。这就是 Lord 悖论。
【隐式】为什么?因为「变化分数」和「ANCOVA」问的根本不是同一个问题: - 变化分数问:食堂对「体重变化量」的效应是多少?反事实基线是「同一个人不吃食堂时的变化量」。 - ANCOVA 问:在初重相同的两个人之间,食堂对「末重」的效应是多少?反事实基线是「初重被钉住的另一个人」。 估计目标不同,数字当然不同。
【细微】更尖锐的一层:如果两组初重本来就不同(A 楼学生本来就更重),那「初重」到底是【混杂因子】还是【中介/对撞点】?这决定你该不该控制它。若初重在分组之前就固定(先选楼、后吃饭)→ 混杂因子 → 该控制 → ANCOVA。若初重受分组影响(先开食堂、体重先变、再测初重)→ 中介或对撞 → 控制它反而引入偏倚。
【极难发现】Lord 悖论的真正解药不是「选对方法」,而是 Judea Pearl 2016 年 “Lord’s Paradox Revisited” 指出的:先画 DAG、先写 estimand,再看哪个分析对应哪个 estimand。数据不会自己说话;是【因果图 + 估计目标】在替你选分析。方法之争,九成是 estimand 之争穿了件数学外衣。
【流程节点链路】起点:拿到同一份纵向数据(初重、末重、分组) → 中间节点①:未声明 estimand,直接选方法(变化分数 vs ANCOVA) → 中间节点②:两种方法隐含两个不同的反事实基线 → 中间节点③:初重的因果角色(混杂 vs 中介)未被判定 → 终点:两个「正确」的数字互相矛盾,读者误以为统计不可信。缺的从来不是更高级的模型,是第 0 步的【估计目标声明】。
【显式】这不是古董。今天你看到的「控制了基线后效应消失」「调整协变量后显著性翻转」,大多是同一个 Lord 悖论的现代变体。Table 2 谬误、对撞因子偏倚、出生体重悖论,本质都是「没先问反事实基线就动手控制」。
【锚点·收束】所以我的操作习惯只有一条:动手跑回归之前,先写下这句话——「我要估计的是,对谁、施加什么、相对哪个反事实、在多长的时间窗内的效应?」写不出来,就不许碰控制变量。
一个值得辩论的问题:当两组基线本来就不同时,「不控制基线、只看变化量」在什么条件下才是合法的?我的答案是——只有当基线是分组之后才被决定的(post-treatment),或它本身是处理的下游对撞点时。你能构造一个反例吗?







0 评论