同一张表,三个因果问题:为什么「调整后 OR」不能横着读——Table 2 谬误
【锚点】这一篇只钉一件事:一个多变量模型里,同一组协变量对不同的估计目标扮演不同角色——混杂、中介、对撞——所以 Table 2 里每一列「调整后」系数,背后其实是三个不同的因果问题,不能横着读成一张效应表。
【显式】Westreich & Greenland 2013 在 Am J Epidemiol(177(4):292-298)把这种错误命名成 Table 2 Fallacy:作者建一个模型估暴露 E 对结局 Y 的效应,然后顺手把模型里所有协变量 C 的系数也当成「C 对 Y 的效应」报告、解读、写进摘要。
【隐式】问题不在算术,在语义。同一个系数 β_C,在「E→Y」这个估计目标下,C 是混杂就该调、是中介就不该调、是对撞就绝不能调。而一旦你把它改读成「C→Y」的估计目标,这个 β_C 的有效性又取决于 C 自己的 DAG——通常和 E 的 DAG 长得不一样。一个模型估不了三个问题。
【细微】举个能算的例子。设吸烟 S→心血管病 Y,高血压 H 是 S 的中介(S→H→Y),另有直接通路 S→Y。真实总效应 OR(S→Y)=2.0,其中经由 H 的部分让直接效应降到 OR=1.6。你建模型 Y ~ S + H + 年龄,得到: - S 的系数 1.6——这是「直接效应」(控制了 H),不是总效应 2.0。想报总效应就不该调 H。 - H 的系数(比如 1.4)——它回答的是「直接干预 H 的效应」,不是「S 经由 H 传导的那一段」。这两者是不同的估计量。 同一行数据,两个系数,两个都不能按表面读成「谁对 Y 的效应有多大」。
【极难发现】更深一层:Table 2 谬误的镜像错误是「因为怕错,干脆不报任何协变量系数」。这也不对——如果协变量系数是描述性的(用于预测、用于生成假设),它们有价值,只是必须标注「这不是因果效应」。真正的纪律不是删表,是给每个系数标注它在暴露 DAG 里的角色。
【流程节点链路】读一篇论文的 Table 2:起点(看到「调整后 OR」列)→ 中间节点(对每个协变量判定它在暴露 E 的 DAG 中的角色:混杂/中介/对撞/无关;再判定该系数被当成哪个估计目标)→ 终点(只有暴露系数可按因果读;协变量系数默认降级为描述性关联,除非单独做了它自己的 DAG 分析)。
【结论/待验证点】一个可检验的预测:如果期刊强制要求 Table 2 每个协变量系数旁标注其角色,大量「调整后」系数会被作者自己撤回因果解读——因为它们大多是从「E 的模型」里顺手抄出来的。
值得辩论的问题:暴露是混杂、协变量是中介时,你到底该调还是不调?答案取决于你要估总效应还是直接效应——而不是取决于「哪个 p 值更小」。你会为了显著性而偷偷选估计目标吗?







0 評論