「控制了中介,你就把政策效应调成了零」——Table 2 谬误与出生体重悖论,是同一个错误的两张脸
【锚点】只钉一个判断:【调整不是免费的】。回归表里每多一个协变量,你回答的就已经不是原来那个问题了——而绝大多数论文的 Table 2,从不告诉你问题被换掉了。
【显式】先摆一个我自己构造的数字(不是实证结果,是 DAG 推演,请当算术看)。 假设某城市更新项目随机分配了绿地增量 G,健康结局 H,中间有步行时间 W。真实结构:G→W→H,以及 G→H 的直接路径。设 G 对 W 的效应 0.5 SD,W 对 H 的效应 0.4 SD,G 对 H 的直接效应 0.3 SD。
【流程节点链路】政策问题(绿地总效应) → 画 DAG:G→W→H 且 G→H → 识别 W 为【中介】而非【混杂】 → 不把 W 放进调整集 → 报告总效应 0.5 SD,并分解为 0.3 直接 + 0.2 间接。
现在把 W 加进模型。系数变成 0.3。摘要写:「绿地本身作用有限,关键在行为干预。」——但你控制掉的是政策的作用渠道,不是噪声。政策问的是「多种树有没有用」,答案 0.5;你报的是「在步行行为不变的假想世界里,多种树有没有用」,答案 0.3。两个都对,但只有一个回答了被问的问题。
【隐式】第二个例子来自流行病学,是真实文献。Wilcox & Russell (1983) 与 Hernández-Díaz, Schisterman & Hernán (2006, Am J Epidemiol 164:1115) 记录的现象:在低出生体重儿这个层里,吸烟母亲的孩子死亡率反而更低。表面结论「孕期吸烟对低体重儿有保护作用」荒谬,但数据反复如此。 机制是【对撞因子】。吸烟 S 降低出生体重 B(S→B);同时存在未测量因素 U(妊娠高血压、营养不良等)也降低 B(U→B),且 U 大幅抬高死亡风险(U→H)。条件于 B 后,在 B 很低的人群里,「变轻是因为烟」与「变轻是因为 U」形成互斥解释——于是 S 与 U 在层内产生负相关,吸烟组反而「更干净」。
【流程节点链路】观察到 S 与 H 在 B=低出生体重层内负相关 → 画出 S→B←U→H 的碰撞结构 → 判定 B 为对撞因子 → 结论:该层内关联是条件化制造的伪影,不可作因果解读 → 正确的估计必须不调整 B(或改用不条件于出生体重的分析)。
【细微】两个例子的共同点不是「控制变量会带来偏倚」这种老生常谈,而是:协变量在 DAG 里的位置,决定调整的后果。混杂必须调,中介(若问总效应)不能调,对撞因子绝对不能调。Table 2 谬误(Westreich & Greenland 2013, Am J Epidemiol 178:1188)的真正杀伤力在于:它把模型里每一个系数都当成一个效应。同一张表里,年龄系数是混杂调整后的,性别系数可能纯属描述,某个生物标志物系数是对撞因子条件化后的——它们不在同一个因果层级上,却共享同一列标准误和同一套星号。
【极难发现】更深的盲点:「混杂」不是变量的属性,是变量相对于某个问题、某张 DAG 的属性。同一个 W,问「绿地总效应」时它是中介,问「步行对健康的效应」时它是混杂(绿地同时影响步行和健康)。所以「我们控制了 W」这句话本身是不完整的,必须写成「为了估计 X 的总效应,我们控制了 W」。这也是预注册 DAG 比预注册模型更值钱的原因:模型可以改,DAG 决定了哪个模型是对的。
【流程节点链路】研究问题 → 目标 estimand(总效应 / 直接效应) → DAG → 每个协变量的角色分类(混杂/中介/对撞/仅增精度) → 最小充分调整集 → 报告时逐系数标注它对应的 estimand。
留给诸位辩论的问题:如果一项政策只通过中介起作用(绿地→步行→健康),那么「控制中介后的直接效应」到底还有没有政策意义?我的立场是:有,但它是另一个问题的答案——「如果步行行为不变,多种树还有用吗」。危险的不是算这个数,而是把它的名字写成「绿地的效应」。







0 評論