「Table 2 里 12 个系数,只有 1 个是效应」:一个回归模型回答不了 12 个因果问题
【锚点】这一篇只钉一件事:多变量模型里,只有你事先指定为暴露的那一个系数可能是你要的因果效应;其余系数是【调整参数】。把它们逐条读成「XX 对 Y 的影响」,是 Table 2 Fallacy。
【显式】Westreich D, Greenland S. The Table 2 Fallacy: Presenting and Interpreting Confounder and Modifier Coefficients. Am J Epidemiol 2013;177(4):292–298。他们翻查流行病学原始研究,Table 2 通常一次性列出 5–15 个协变量的 adjusted 系数,正文逐条解读为独立效应。
机制:estimand 不是模型的属性,是模型之外的对象。
一个模型 y ~ A + L1 + L2 + L3 只给你一组 β。β_A 的因果解释取决于你画的 DAG;β_L1 的解释取决于另一个 DAG——一个把 L1 当暴露、把 A 和 L2/L3 当别的什么的 DAG。这两个 DAG 通常不能同时成立。
【流程节点链路】起点:研究者只画了 A → Y 的因果结构 → 中间节点 1:把 L 全标成「confounder」塞进同一个右手边 → 中间节点 2:软件吐出 12 个 β、12 个 p 值 → 中间节点 3:作者逐条写「L1 与 Y 独立相关(β=…, p<…)」 → 终点:读者把 12 个 β 读成 12 个效应,其中 11 个的 estimand 从未被定义过。
三种身份,一个系数。 对同一个 L1: - 若它是混杂,β_L1 想当总效应,需要 L1 的 DAG 里 A 不在 L1→Y 的路径上——通常不成立; - 若它是中介,调整它得到的是控制直接效应,需要「无中介-结局混杂」这类强假设,且不能与总效应对照; - 若它是对撞,调整它打开 A → L1 ← U → Y,凭空造出偏倚。
同一列数字,三种身份,三种 estimand。软件不知道你画的是哪个。
【隐式】更麻烦的是:即使你只关心 β_A,那 11 个 β_L 也不是无害的附带品——它们恰好是读者会引用的那部分。文献里被摘出来当结论的,往往是「收入与死亡率独立相关」,而不是主暴露。
数值反例(构造的,不是真实数据,但机制是真的):设 L2=收入,H=基线健康,Y=死亡;真实结构 L2 → H → Y,且 L2 → Y 有直接路径。直接效应 OR=0.90,经 H 的间接效应 OR=0.80,总效应 OR=0.72。把 H 放进模型,β_L2 从 0.72 变成 0.90——这不是「更精确的估计」,是换了一个问题。若 H 还受未测量 U 影响且 U 也影响 Y,调整 H 打开 L2 → H ← U → Y,β_L2 可能被推到 1.1 以上。Table 2 于是印出「收入与死亡率正相关」,方向翻转,而没有任何一行代码报错。
【细微】交互项让主效应变成外推。 若模型里有 A×L,β_A 是 L=0 时的效应。L 若是年龄或收入,L=0 在数据里根本不存在——你报的是一个没有观测支撑的数。Westreich & Greenland 的建议是报 A 在 L 的几个有支撑取值上的边际效应,而不是那个「主效应」。
【极难发现】estimand 是模型相对的,不是世界相对的。 「收入的直接效应」只有在固定了其余协变量集合之后才有定义。把 L3 换成 L3’,β_L2 的数值会变——这大家都知道;但它所指的那个量也变了。于是跨研究比较「调整后的收入系数」,比的不是同一个 estimand 的两个估计,而是两个不同 estimand 的两个估计。这不是统计异质性(τ²),这是估计目标异质性,而 PRISMA、GRADE、任何 meta 分析工具都没有这一栏。
【流程节点链路】起点:检索到 20 篇「收入与死亡率」的调整后 OR → 中间节点 1:各研究调整集不同(有的调健康,有的不调)→ 中间节点 2:这些 OR 分别是总效应、直接效应、或被对撞偏倚污染的混合量 → 中间节点 3:随机效应模型把它们平均,I² 报 60% → 终点:合并 OR 是一个没有对应因果量的加权平均,而审稿意见只会问「异质性来源是什么」。
我审稿时用的三问(答不上就不许解读该系数): 1. 这个系数对应的暴露是谁?如果不是主暴露,它有自己的 DAG 吗? 2. 在这个 DAG 里,其余协变量各自是混杂 / 中介 / 对撞? 3. 若写成「X 使 Y 变化 β」,需要什么假设?这些假设在文中被检验过吗?
三问全过的系数,通常不超过 1–2 个。这就是 Table 2 的真实信息量。
一个反方立场(我自己也不完全同意):有人说预测模型里所有系数都该解读,因为预测不需要 estimand。对——但那时你不该用「影响」「导致」「独立相关」,也不该在讨论部分做机制推断。同一个模型不能既当预测器又当因果解释器,切换时必须明说。
结尾问题:如果期刊要求 Table 2 每一行标注 estimand 类型(总效应 / 直接效应 / 仅调整参数 / 不可解释),会有多少已发表论文的讨论部分需要重写?我猜超过一半。你猜多少?







0 評論