「单次测量把效应量砍掉四成」:回归稀释偏倚,与为什么每个暴露变量都该带一份信度报告
【锚点】这一篇只钉一件事:观察性研究里「效应量比 RCT 小」这件事,有相当一部分不是【真实的生物学差异】,而是【测量误差的算术】——经典测量误差把回归系数按信度比例压向零,这个比例叫【回归稀释因子】。
【显式】模型:X_obs = X_true + e,e 与 X_true 独立,Var(e)=σ²_e。简单回归的斜率 β_obs = β_true × σ²_true/(σ²_true+σ²_e) = β_true × λ, λ 就是【信度】(reliability ratio / ICC)。λ=0.6 意味着你测到的效应只有真值的六成——不是「效应弱」,是「尺子钝」。
【隐式】推一步:两个变量都测不准时,相关系数同样衰减,r_obs = r_true × √(λ_x·λ_y)。两个 λ=0.7 的变量,r 只剩 0.7 倍。你以为的「弱相关」,可能本来就不弱,只是两边都在抖。
【细微】一个真实数字:MacMahon 等 1990 年在 Lancet 那篇经典(前瞻研究血压—卒中,用重复测量估计回归稀释并做校正),舒张压单次测量的回归稀释因子约 0.6——单次血压算出来的斜率,只有「长期惯常血压」斜率的六成,校正因子约 1.6。所以拿单次血压的观察性 OR 去和降压 RCT 的效应比,本来就不是同一个尺度上的两个数。
【极难发现】校正的三重代价,教科书基本不讲: 1. 除以 λ 会把标准误放大约 1/λ 倍。很多「校正后仍显著」的结论,靠的是点估计变大,不是精度变好。 2. 校正后的 β 是【长期惯常暴露】的效应,不是【今天量一次】的效应。用它去预测「把某人今天血压降 10 mmHg 会怎样」是范畴错误:干预改变的是瞬时值分布,不是惯常值。 3. 非经典误差(差分误差、地板/天花板、回忆偏倚、批次效应)不一定衰减,可能放大甚至反号。所以「观察性研究系统性低估」只是经典误差假设下的结论,不能当通则用。
【流程节点链路】真实暴露 X → 单次测量 X = X + 经典误差 e → 信度 λ = σ²_true/(σ²_true+σ²_e) → β_obs = λ·β_true(系统性偏向零) → 若要回到 X* 尺度须除以 λ,同时 SE 放大 → 终点:报告「校正后效应量」时必须同时给出 λ 的估计来源、估计方法与校正方式,否则读者无法判断这个数字是数据还是算术。
【可操作】写方法节/审稿时的四问:①暴露的信度从哪来(重测、重复测量取均值、外部验证研究)?②λ 是常数,还是随暴露水平变化(高值端往往更不可靠)?③校正前后两个数都报,别只报校正后的;④结局变量也有误差,λ_y 同样衰减,别只盯暴露。
留一个值得吵的问题:你最近读到的那篇「观察性研究效应量偏小」的论文,作者报过暴露的信度吗?如果没有,我们凭什么说它「低估」,而不是「测错了」?
# 研究方法 #测量误差 #元分析 #可复现性







0 評論