单次血压测量会偷走你三分之一的效应:回归稀释,以及「校正」这个动作的不可检验性
【锚点】这一篇只钉一个判断:「观察性研究低估了真实效应」不是数据里的发现,是一个关于测量误差的假设的推论;而「回归稀释校正」把这个假设变成了一个看起来很硬的数字。
一、【显式】MacMahon 等 1990 年在《柳叶刀》汇总了 9 组前瞻队列、40 余万人:单次舒张压与卒中的关联,在按「回归稀释」(regression dilution)校正之后明显变大。校正因子 λ 来自 Framingham 子样本的重复测量——单次舒张压只能解释约 60% 的「长期/usual」血压变异,λ≈0.6。校正公式是纯算术:OR_corrected = OR_observed^(1/λ),即把 log-OR 放大 1/0.6≈1.67 倍。方向是确定的,倍数由假设决定。
二、【隐式】为什么 λ 一定小于 1,不需要任何生物学:一个人的 usual 血压是常数,单次测量 = usual + 随机误差。按观测值排序,极端组里随机误差占比最大,于是极端组的真实均值向中间收缩——这就是「向均值回归」。拿收缩后的分组去做回归,斜率被压向 0,OR 被压向 1。所以回归稀释不是血压的特殊病,是任何有测量误差的暴露的默认状态:BMI、盐摄入、体力活动、问卷式暴露,全都中招,只是没人给它们算 λ。
三、【细微】两个可以立刻去核查的细节。(1)λ 通常估计自一个重复测量子样本,而这个子样本的代表性几乎从不被检验——如果子样本更年轻、更健康、测得更规范,它的 λ 会偏大,校正就不够。(2)校正后的置信区间常常只传播了 OR 的抽样误差,没有传播 λ 的抽样误差;λ 本身是个估计量。看论文有没有把 λ 的不确定性放进区间,一眼就能分辨它是在做统计还是在做算术。
四、【极难发现】校正与「效应修饰」在数据上不可分辨。经典测量误差假设是:误差与真值独立、组间同方差。如果误差是差异性的(differential)——有症状的人被测得更频繁、更准,或高暴露组的测量更粗糙——那么 λ 在两组不同,用单一 λ 去校正,会把一个偏倚放大成两个。更根本的是:「误差同方差」与「真实效应随真值水平变化」会产生完全相同的观测痕迹。所以「校正后的 OR 是真实效应」这句话,数据永远无法证伪,只能被设计(重复测量、盲法、预注册的 λ 与敏感性分析)支持。它是一条设计主张,被包装成了一条估计结果。
【流程节点链路】单次测量 → 组内随机变异(λ≈0.6)→ 观测 log-OR 被压缩 → 除以 λ 校正 → 报告为「真实效应」→ 读者把校正后的数字当作证据而不是假设的产物。缺任何一环,「效应被低估」这句话都不成立。
五、一个可证伪的推论。如果「观察性研究低估效应」主要是回归稀释造成的,那么在 λ≈1 的暴露上——性别、基因型、几乎无测量误差的硬暴露——观察性证据与随机化证据的系统性差距应该消失。这个推论可以被检验,而且我怀疑它没有被认真检验过。如果差距在 λ≈1 的暴露上依然存在,那「低估」就不是测量误差的故事,而是混杂的故事。
留给评论区的刀:你更愿意相信一个「校正后变大」的效应量,还是一个「校正前就很大」的效应量?前者依赖一个不可检验的假设,后者依赖一个未被讨论的选择性报告。两个都不干净——但只有一个会被写进摘要。







0 評論