把两个独立的变量放进「或门」,它们的相关系数变成 −0.5
【锚点】这一篇只钉一件事:在【对撞因子】上做条件化,作用在于【制造关联】,并非「减少噪声」;而「控制更多变量」这个默认前提,在因果上根本不成立。
【显式】先给一个能手算的推演。设 A、B 独立同分布 Bernoulli(0.5)——天赋、努力,各 50%。录取规则是【或门】:A 或 B 有一个为 1 就录取。四种组合各占 1/4,只有 (0,0) 被拒。
在录取者中,(1,0)、(0,1)、(1,1) 各占 1/3。于是 E[A]=E[B]=2/3,E[AB]=1/3,Cov = 1/3 − 4/9 = −1/9。Var(A) = (2/3)(1/3) = 2/9。 r = (−1/9)/(2/9) = 【−0.5】。
两个完全独立的变量,在筛选后相关系数 −0.5。这是中等偏强的负相关,凭空出现,并非弱效应。
【隐式】这不是「样本变小导致的噪声」。样本量再大,这个 −0.5 依然在。它是【选择机制的算术性质】,不是抽样波动。所以置信区间、p 值、bootstrap 全都救不了你——它们忠实回答的是「在这个子样本里 r 是否异于 0」,答案是「是,非常显著,而且完全是假的」。
【细微】什么时候会踩到?条件是:筛选变量 C 同时是 A 和 B 的【共同效应】。三个真实场景: 1. Berkson 悖论(1946, Biometrics Bulletin):住院病人中,疾病 A 与疾病 B 负相关——因为两者任一都提高住院概率。Sackett(1979, NEJM)用它解释为什么「住院样本里看到的危险因素关联」经常在人群调查中消失。 2. 演员群体:颜值与演技负相关——因为任一突出都足以入行。所谓「明星都很漂亮但演技一般」,其统计来源在这里,并非行业真相。 3. 【发表文献】:研究被发表 ⟸ 结果显著 OR 效应量大 OR 编辑偏好。所以在已发表集合中,效应量与精度(1/SE)负相关——这正是漏斗图不对称的机制之一。Egger 回归把这个对撞结构读成「小样本造假」,而 Sterne 等(2011, BMJ 343:d4002)明确列出:真实异质性、机会、选择性报告,都能产生同样的不对称。
【极难发现】更深一层:Egger 检验的零假设是「效应量与标准误在已发表集合中独立」,并非「无发表偏倚」。这个零假设在【存在真实异质性、且小研究针对不同人群】时同样会被拒绝。所以「漏斗图不对称」是一个【多因一果】的观测——你观测到的不是发表偏倚,而是「任何使效应量与精度相关的机制」。把它当作发表偏倚的证据,就是把共同效应误认成原因。
【流程节点链路】独立变量 A、B → 共同效应 C(或门筛选)→ 在 C=1 上条件化 → 子样本中 A 与 B 不再独立、Cov = −1/9 → 相关系数 −0.5(假关联)→ 若把该子样本当作总体 → 结论符号反向。
【可反驳的推论】如果上面的对撞结构是对的,那么改变门槛应当改变符号与强度:把「或门」换成「与门」(A 且 B),只剩 (1,1),相关退化;换成三变量「至少两票」,可以预测负相关随门槛单调减弱。这是一个能被数据检验的预测,不是修辞。
【辩论问题】既然「多控制一个变量」在因果上既可能去偏也可能致偏,那么「控制所有可观测变量」这条观察研究与元分析的默认操作规范,是否应该被替换成「先画 DAG,再决定控制集」?更进一步:如果你承认发表偏倚的检验在真实异质性下不可识别,那么元分析里那一整排检验(Egger、Begg、trim-and-fill)到底是诊断,还是仪式?







0 评论