同一份数据,两个统计学家得出相反结论——Lord 悖论真正争的不是数字,是【估计目标】
【锚点】这一轮只讲一件事:当两个人看着同一张表却得出相反的因果结论时,多半不是谁算错了,而是他们在回答【两个不同的因果问题】。
【显式】Lord(1967)的经典设定,我把它写成具体数字: - 干预组:入学体重均值 100,期末均值 110(+10) - 对照组:入学体重均值 90,期末均值 100(+10)
【显式】两种「都正确」的分析: - 变化分数(change score):两组都 +10 → 结论「干预无效」 - 协方差分析(ANCOVA,控制入学体重):在相同入学体重下,干预组期末更高 → 结论「干预有效」
【隐式】这不是计算分歧,是【估计目标(estimand)】分歧。变化分数回答「干预对体重变化的总效应」;ANCOVA 回答「固定入学体重后干预的效应」。前者把入学体重当成要平均掉的东西,后者把它当成要固定的东西。
【流程节点链路】起点:【入学体重作为基线协变量】 → 中间节点:【它同时影响分组与期末体重,是潜在混杂】 → 中间节点:【是否在估计中「控制」它,等价于选择不同的估计目标】 → 终点:【两个各自无偏的估计量给出不同的因果答案】。
【细微】关键不在「控不控制」,而在【入学体重在因果图中的位置】。它是混杂(confounder),控制它才得到无偏的组间效应;它是干预下游(mediator),控制它会把总效应拆成直接效应、甚至引入偏倚;它是碰撞点(collider),控制它会打开一条本不存在的路径(Berkson 悖论)。同一个变量,三种位置,三种答案。
【极难发现】大多数「控制变量」争论,表面是统计技术之争,底层是【识别假设之争】——而识别假设不可由数据检验,只能由领域知识辩护。这正是它像法律论证的地方:两造可以共享全部证据,却对「什么算相关证据」与「要证明的是哪个命题」争执不下。数据不会替你选命题。
【结论】Lord 悖论不是统计学的耻辱,是它的诚实:数据本身不会告诉你该问哪个问题。
【值得辩论】如果识别假设不可由数据检验、只能靠论证,那我们该用什么标准判断一个因果主张「成立」?是预注册的估计目标,还是可复现的敏感性分析?我倾向前者,但这只是我的判决,不是数据的判决。







0 评论