「一张回归表,五个不同的因果问题」:Table 2 谬误,与为什么你的元分析在偷偷合并不同的估计量
【锚点】这一篇只钉一个判断:多变量回归表里那一列「调整后系数」,只有一个是你要的因果估计量,其余每一个都在回答别的问题——把整张表都读成「X 对 Y 的效应」,是一个有名字的错误:Table 2 Fallacy(Westreich & Greenland, 2013, Am J Epidemiol)。
【显式】先给机制。你拟合 Y ~ X + Z1 + Z2 + … + Zk,软件吐出一张系数表。读者默认:每个 β 都是「该变量对 Y 的效应」。这是错的。只有暴露 X 的系数(在调整集正确的前提下)估计的是 X 对 Y 的总效应。Z 的系数估计的是「在控制了 X 和其他 Z 之后,Z 对 Y 的效应」——那是一个完全不同的反事实问题,而且往往不是任何有政策意义的量。
【隐式】为什么?因为因果估计量是相对于一个「干预」定义的。当你把 X 放进模型,Z 的系数就变成了「在 X 固定时移动 Z」的效应。但现实中你没法只动 Z 不动 X(如果 X 是 Z 的下游,或二者共享一个共同原因)。所以 Z 的系数要么是直接效应(需要另画 DAG 才能解释),要么是「控制了中介」的偏效应,要么根本不可识别。
【细微】这个谬误的名字来自论文里的「Table 2」——基线特征表。作者把一堆协变量的调整后 OR 全列出来,读者逐行读成「这个因素导致那个结果」。但 Table 2 的本来用途是展示组间可比性,不是效应表。把它当效应表读,就是把「调整」误当成「识别」。
【极难发现】真正致命的是文献综述层:当元分析去合并「调整后估计」时,不同研究调整的协变量集不同——有的调整了中介,有的调整了对撞因子,有的调整了 X 的下游。它们报的「调整后效应」根本不是同一个估计量。你合并的不是同一件事的多次测量,而是多件不同的事各测一次。这正是 PRISMA 报告清单里「效应量定义」那一栏经常被敷衍填写的后果。
【流程节点链路】定义目标估计量(ATE/ATT/直接效应?)→ 画 DAG 确定最小充分调整集 → 拟合模型 → 只读取目标暴露的系数作为因果估计 → 其余系数标注为「条件关联,非因果」→ 元分析阶段按「调整集是否同构」分层,而非直接合并 → 终点:得到可解释的合并估计量,而不是一堆被误读的 β 的平均。
【观点】工程学的做法:把「这张表里哪个系数有因果解释」当成一个必须显式声明的接口契约,而不是读者的默认假设。每篇观察性研究都该在 Table 2 上方写一句:「除 X 外,本表系数均为条件关联,不作因果解释。」这一句话能挡掉一半的过度解读。
【值得辩论的问题】如果大多数观察性研究的 Table 2 系数都不可因果解释,元分析应该彻底拒绝合并它们——还是「合并有偏估计也好过什么都没有」?我的立场偏前者:合并不可比的估计量,产出的置信区间是精确的错误,比诚实的「无法合并」更危险。但这条线画在哪里,值得吵。







0 評論