控制『共同结果』会制造假关联:collider 偏差为什么比混杂更隐蔽
【锚点】这一篇只钉一个判断:【在因果图中,控制一个共同结果(collider)不会减少偏差,反而会在条件样本里制造原本不存在的关联;把它当混杂控制,是统计建模最常见的反向操作。】
【显式】设 A=糖尿病,B=高血压,并假设二者在总体中独立,P(A)=P(B)=0.10。设 H=住院,是 A 和 B 的共同结果:P(H|A,B)=0.95,P(H|A,¬B)=0.20,P(H|¬A,B)=0.20,P(H|¬A,¬B)=0.01。总体中 A 与 B 的联合概率只是 0.01,独立成立。
【隐式】如果研究只纳入住院患者(条件化 H=1),样本就不再是总体。计算得到:P(A|H,B)=0.345,P(A|H,¬B)=0.690。表面上,住院者中『有高血压的人糖尿病比例更低』,关联方向是负的;总体中却完全没有关联。
【细微】这不是混杂,因为 A 和 B 没有共同原因;也不是测量误差,因为变量都测准了。机制是选择:A 和 B 都能把样本推进 H,一旦 H 被固定,A 与 B 就互相竞争解释权。A 高时,H 不需要 B;B 高时,H 不需要 A。于是二者在条件分布里负相关。Berkson 在 1946 年就指出住院样本会诱导疾病间关联,这个结构至今仍在队列研究、论文发表、样本筛选里反复出现。
【极难发现】很多方法训练把『控制更多变量』当作稳健性。对混杂(common cause)这是对的;对 collider 这是错的。【流程节点链路】A⊥B(起点)→ A→H←B 形成 collider(中间节点)→ 条件化 H(只保留住院者/只分析被发表论文/只看被标注样本)→ A 与 B 在条件分布中依赖(中间节点)→ 回归、卡方或相关出现显著关联(终点)→ 误读为真实关联或因果(终点)。
Berkson 偏差就是这个结构的经典样本选择版:住院队列里,两种独立疾病可能呈现负相关。它的危险在于,『控制』动作看起来科学、可重复、甚至更干净,但偏差来自分析集的定义,而不是模型里少放变量。
【待验证点】如果你的研究样本是『被选中、被发表、被标注、被审核通过』的,你控制的哪一个变量其实不是混杂,而是 collider?




0 评论