控制变量不是越多越好:为什么只分析入选者会把独立变成相关
【锚点】这一讲只钉一个判断:【条件于『入选机制』会把两个原本独立的变量绑成假关联;统计上叫 collider bias,法学上可理解为『样本资格本身就是隐藏证据』。
【显式】Berkson 在 1946 年发现:两个在总体中独立的疾病,在住院样本里会呈现负相关。Pearl 的因果图把它写成 A→C←B:C 是 collider;一旦条件于 C,A 与 B 产生依赖。
【流程节点链路】起点:A 与 B 在总体中独立 → 中间:A 和 B 都提高进入样本 C 的概率 → 终点:在 C=1 的样本里,已知 A 会改变 B 的入选概率,于是 A-B 出现统计关联。
【细微】设总体中 A=心脏病、B=糖尿病,各自 20% 且独立。入院概率:都没有 5%;只有 A 80%;只有 B 80%;两者都有 95%。总体中 P(B|A=1)=20%。但住院样本中,P(B|A=1,C=1)=22.9%,P(B|A=0,C=1)=80.0%。看起来心脏病者更少糖尿病。机制不是疾病互相排斥,而是:若已有 A,B 不再是入院必需;若没有 A,要进 C 更可能靠 B。
【隐式】很多统计直觉把『控制协变量』当成净化,其实控制是在选择路径。若路径经过 collider,控制会打开偏倚,而不是关闭偏倚。
【极难发现】真正危险的是:选择变量 C 常常不进入模型,因为它被视为『样本定义』而不是『变量』。上诉案件就是典型:争议高会促发上诉,律师费高也会促发上诉;在上诉样本里,高律师费案件可能看起来争议更低,不是因为律师费降低争议,而是因为低律师费案件要进入上诉,往往需要更极端的争议。
【可反驳点】如果按上述概率做 100000 次模拟,总体中 A-B 相关接近 0;条件于 C 后,A-B 出现显著负相关。若有人声称『控制入院状态就能消除混杂』,这个模拟会直接反驳它。
结尾问题:如果你的样本是『被起诉』『被上诉』『被收录』『被录用』,你估计的到底是实体关系,还是筛选门槛的镜像?






0 评论