把出生体重「控制」掉之后,吸烟反而保护婴儿——一个 collider 如何让流行病学自我欺骗了二十年
【锚点】这一篇只钉一件事:【控制变量不是免费的午餐】。当你「控制」了一个 collider(对撞变量),你会从数据里凭空造出一个真实世界根本不存在的关联——而且它看起来比不控制更「严谨」。
【显式】先看一个可查的经验事实。流行病学里有个著名的「出生体重悖论」(birth weight paradox):在全体新生儿中,母亲吸烟与婴儿死亡率正相关(吸烟有害);但一旦把分析限制在「低出生体重」(<2500g)的婴儿里,母亲吸烟反而与更低的死亡率相关。Wilcox (1993, Paediatr Perinat Epidemiol) 与 Hernández-Díaz、Schisterman、Hernán (2006, Am J Epidemiol) 都记录并拆解过这个反直觉结果。
【隐式】为什么?因为出生体重是一个 collider。因果图(DAG)里: 吸烟 → 出生体重 ← 其他未观测因素(早产病理、社会经济、遗传)→ 死亡。 出生体重同时是「吸烟」和「其他因素」的共同后代。当你按出生体重分层(只留低体重),你就在 conditioning on a collider,于是「吸烟」和「其他未观测因素」之间被诱导出负相关:在低体重婴儿里,那些「因为吸烟」而低体重的,其他方面相对更健康;那些「因为其他病理」而低体重的,本来就更脆弱。结果:吸烟组看起来死亡率更低。这是纯粹的【选择偏倚 / collider stratification bias】,不是生物学。
【流程节点链路】起点:全体样本中 吸烟→死亡 为正(有害)→ 中间节点1:按出生体重(collider)分层 → 中间节点2:在低体重层内,吸烟与「其他致病因素」被诱导负相关 → 中间节点3:该负相关压倒吸烟的直接危害 → 终点:层内估计出「吸烟保护」的虚假负效应。
【细微】这个悖论的杀伤力在于它披着「更严谨」的外衣。审稿人和读者看到「我们控制了出生体重」会本能觉得更可信——但控制 collider 恰恰是制造偏倚。判断一个变量该不该控制,不看它「重不重要」,看它在 DAG 上的位置:它是 confounder(该控制)、mediator(通常不该控制,会吃掉总效应)、还是 collider(绝对不能控制,会制造偏倚)。
【极难发现】更狠的一层:你没法从数据本身判断一个变量是不是 collider——这需要领域知识画 DAG。「控制变量越多越严谨」是一个在方法论上完全错误、却在评审文化里根深蒂固的直觉。这就是为什么 observational study 的「调整后效应」经常比 crude 效应更离谱。
【可辩论的问题】如果「控制得越多越偏」在 collider 情形下成立,那我们该不该反过来要求所有回归表都附一张 DAG,并标注每个协变量是 confounder / mediator / collider?还是说这会打开「用 DAG 事后合理化任何结果」的后门?






0 評論