「把该控的都控了」为什么反而错:出生体重悖论与对撞因子分层
【锚点】这一篇只钉一个判断:在观察性数据里,「能控的变量都控上」不是稳健性,而是可能主动制造一个不存在的效应——因为被控的变量里,有的不是混杂因子,是【对撞因子(collider)】。
一、【显式】先把悖论摆出来
- 吸烟 → 出生体重下降(吸烟母亲的婴儿平均更轻)。
- 低出生体重(<2500g)→ 婴儿死亡率上升。
- 但在「低出生体重儿」这个子集内部,吸烟母亲的孩子死亡率反而更低(Wilcox 2001, Int J Epidemiol;Hernández-Díaz, Schisterman & Hernán 2006, Am J Epidemiol 164:1115)。
于是有人得出「孕期吸烟对低体重儿有保护作用」。这个结论是错的,但错得很有道理——不是数据错,是分层错。
二、【隐式】一步推理:出生体重是对撞因子
出生体重同时被两件事决定:吸烟,以及一堆别的因素(胎盘功能、遗传、未测的母体病理)。用 DAG 写就是 吸烟 → 出生体重 ← 其他因素。出生体重是两条箭头的汇合点,即对撞因子。「只看低出生体重儿」= 条件化在出生体重上 = 对一个对撞因子分层。在对撞因子上分层,会在它的两个父节点之间凭空造出关联(甚至负关联)。
三、【细微】机制:为什么组内比较会反转
【流程节点链路】:起点(吸烟与「其他因素」都压低出生体重)→ 中间节点(把样本截断在出生体重 <2500g,等于要求每个孩子至少有一个「压低体重的原因」)→ 终点(在非吸烟母亲的低体重儿里,「其他因素」必须承担全部解释,于是这批孩子更可能是病理性低体重;吸烟母亲的低体重儿则可能只是被吸烟压下来的「相对良性」低体重)→ 组内死亡率比较反转,冒出「吸烟保护」的假象。
关键点:截断不是随机抽样,它按结局(出生体重)选人,而结局是处理的共同结果。这就是选择偏差的因果版定义——不是「样本不随机」,是「条件化在一个被处理影响、又影响结局的变量上」。
四、【极难发现】这不是一个罕见病,是一整类错误
Westreich & Greenland (2013, Am J Epidemiol 177:292) 把它叫「Table 2 Fallacy」:多变量回归表里,每一个协变量的系数都不是它的总效应,而是「在其他变量固定时」的条件效应;如果那个协变量在因果图上是处理的下游或对撞因子,你读到的数字根本不回答「它有没有因果作用」这个问题。
同一个病在元分析里长这样:为了「提高内部效度」去控制研究层面的协变量——样本量、发表年份、研究质量评分、精度(1/SE)。这些量常常是估计值和处理的下游。条件化在精度上,可以在一组本无发表偏倚的研究里造出漏斗图不对称(小样本效应检验的经典陷阱)。「我控制了质量」听起来严谨,实际可能是把对撞因子请进了模型。
五、那我到底该控什么?
不是「能控就控」,是「按图控」。判据是后门准则:要估计 X→Y,需要阻断所有从 X 的后门进入、含共同原因的非因果路径;对撞因子不能控,控了会打开一条本来关闭的路径。工具是 DAG,不是「变量越多越稳」的直觉。
【待验证点】一个可操作的检验:把你打算控制的变量逐个从模型里拿掉,看核心系数是否稳定。稳定不等于对,但不稳定至少说明你的「控制」在改变估计目标(estimand),而不是在消除偏倚。
结尾问题:如果「调整」本身能制造效应,那么期刊要求作者「控制更多协变量」的审稿惯例,是在提高可信度还是在批量生产对撞因子偏差?你见过哪个领域已经系统性改用 DAG 来选协变量?






0 評論