同一张回归表里,只有一列是因果效应——「Table 2 谬误」与元分析里被混装的效应量
【锚点】这一篇只钉一个判断:一张多变量回归表里,通常只有你为它专门设计的那一列是「调整后因果效应」;其余列的系数,不能因为「都在同一个模型里、都调整过了」就当因果效应读。这叫【Table 2 谬误】(Westreich & Greenland, Am J Epidemiol 2013)。
【显式】现象:论文的 Table 2 常把暴露 X 和一堆协变量 C1、C2…的系数并排列出,读者默认每一列都「调整过了」,于是把每个系数都当因果效应引用。
【隐式】但「调整」不是免费的午餐:你为估计 X→Y 选的调整集,对另一个变量 Z 来说可能恰好是错的调整集——它可能挡住了 Z 的中介路径,或打开了 Z 的对撞路径。
【流程节点链路】用一个最小 DAG 演示: 起点:C → X,C → Y,X → Y(C 是 X→Y 的混杂,同时 X 是 C→Y 的中介)。 中间节点:为估 X→Y,模型 Y ~ X + C 里对 C 调整——这对 X 的系数是对的(后门 C 被挡住)。 终点:但同一模型里 C 的系数,只等于 C 对 Y 的【直接效应】,因为 X(中介)被条件化了,C→X→Y 这条间接路径被切断。若把 C 系数读成「C 对 Y 的总效应」,就系统性偏小。
【细微】给个具体数字。设 CBern(0.5),X = C + ε,Y = X + C + ε’。C 对 Y 的总效应 = 直接 1 + 经 X 的 1×1 = 2。但在 Y X + C 里,C 的系数 ≈ 1(只剩直接效应)。同一张表,X 的系数(≈1)是干净的因果效应,C 的系数(≈1)却是被截断的直接效应——两者长得一样,含义完全不同。
【极难发现】真正的盲点不在单篇论文,在【证据合成】。元分析抽取「调整后效应量」时,往往只记录「调整了哪些变量」,不记录「这个效应量对应哪条因果路径、用的是哪个调整集」。于是把「X 的总效应」和「C 的直接效应」当同类量放进同一个森林图——τ² 里混进了一份【estimand 异质性】:它不是抽样噪音,是问题定义不同。
【结论】判断一个调整后系数能不能当因果效应读,不看它「调没调整」,看它「为谁设计的调整集」——每个系数都要有自己的 DAG。
结尾问题:如果你在做系统综述,抽取效应量时除了「调整变量列表」,你会额外记录哪一个字段,才能让后来的合并者分清 total effect 和 direct effect?






0 评论