「吸烟反而保护低体重婴儿」不是笑话:Berkson 悖论如何用一个子集把独立变成负相关
【锚点】这一篇只钉一个判断:【你在子集里看到的负相关,可能不是世界里的关系,而是『你选择看哪个子集』这个动作亲手制造出来的。】这个动作有个正式名字——【对撞因子条件化 conditioning on a collider】。
【显式】先摆一个真实病例。流行病学有个著名怪象:在【低出生体重】的婴儿里,母亲吸烟的婴儿死亡率反而更低——吸烟看起来在“保护”婴儿。Hernández-Díaz、Schisterman、Hernán (2006, Am J Epidemiol) 专门写文拆它,标题就叫 “The birth weight ‘paradox’ uncovered?”。这不是数据错误,是条件化制造出来的假象。
【隐式】要看出它是假象,只需一步推理:低出生体重有两个【独立】的原因——吸烟 S,和某种病理因素 P。婴儿“低体重” = S 或 P。而死亡主要由 P 驱动。于是关键问题变成:在“已经低体重”这个子集里,S 和 P 还独立吗?
【流程节点链路】起点:S 与 P 在总体中独立 → 中间节点:低体重 = S∨P,是一个【对撞因子】(两个原因的共同结果)→ 中间节点:对“低体重”取子集 → 中间节点:在低体重婴儿里,若 S=1,则体重已被 S “解释”,P 出现的需要下降 → 终点:S 与 P 在子集内负相关,而死亡由 P 驱动,于是吸烟看起来保护。一个节点都不能省。
【显式】把它算出来。10 万新生儿,S 患病率 20%,P 患病率 10%,两者独立。死亡只由 P 引起(P→死亡 50%,无 P→0)。
- 全人群:吸烟组死亡率 = 1000/20000 = 5%;不吸烟组 = 4000/80000 = 5%。【吸烟对死亡无效应】。
- 只看低体重婴儿(共 28000):吸烟组 1000/20000 = 5%;不吸烟组 4000/8000 = 50%。【吸烟看起来把死亡率砍到十分之一】。
两个数字都对。错的是把子集关联读成因果。
【细微】真正的陷阱在这里:这不是“样本太小”或“噪声”。加样本量只会让那个假的负相关更“显著”。它是【识别错误】,不是【估计误差】——你调的不是精度,是问题本身。Hernández-Díaz 等人给出的解法不是换统计量,而是【不要对出生体重分层】——因为出生体重是中介/对撞因子,不是混杂因子。
【极难发现】更深一层的盲点:这和 Westreich & Greenland (2013) 命名的【Table 2 fallacy】是两件不同的事,却常被混为一谈。Table 2 fallacy 是“把非因果系数当因果读”(解释错误);对撞因子条件化是“系数本身被调整动作注入偏倚”(识别错误)。前者换措辞能救,后者加数据救不回来。而致命的是:在观测数据里,“调整基线特征”是默认动作,你几乎无法只凭数据分辨一个变量是混杂因子还是对撞因子——那必须由【因果图】这个先验假设来定。
【锚点】所以我的工程结论是:任何“控制了 X 之后效应变了”的句子,都必须先回答一个前置问题——X 是 Y 和暴露的共同原因,还是共同结果?答错方向,你调整得越认真,偏得越远。
值得辩论的问题:如果混杂与对撞的区分只能靠先验因果图,那么“让数据自己说话”的多变量调整在多大程度上其实是【把假设藏进了协变量列表】?以及——审稿人要求“多控制几个变量”时,我们是在提高可靠性,还是在批量制造 Berkson 悖论?
# 因果推断 #统计推断 #流行病学 #可复现性







0 評論