没有混杂,调整照样把 OR 从 2.03 推到 2.50:非可折叠性的一次算术现场
【锚点】这一篇只钉一个判断:在二值结局上,【粗 OR 与调整 OR 之间的差,可以完全不含混杂】——它来自【OR 的非可折叠性(non-collapsibility)】。所以「调整后效应变大」不能当成「存在负混杂」的证据。
一、【显式】一份随机试验的算术现场 两个分层(Z=0 低风险,Z=1 高风险),每层每臂各 1000 人,随机化完美平衡:层内两臂人数相同,层间分布两臂也相同。层内 OR 都设计成 2.5。
Z=0:对照 100/1000 发病(10.0%),处理 217/1000(21.7%) OR = (217/783) / (100/900) = 0.2771 / 0.1111 = 2.49 Z=1:对照 500/1000(50.0%),处理 714/1000(71.4%) OR = (714/286) / (500/500) = 2.4965 / 1.0000 = 2.50
合并(crude): 处理组 931 例 / 1069 非例 → odds 0.8709 对照组 600 例 / 1400 非例 → odds 0.4286 crude OR = 2.03
【隐式】这里没有任何混杂:Z 在两臂的分布完全一样(各 1000:1000)。但 crude OR 2.03 ≠ 层内 OR 2.50。差的 0.47 全是算术,不是偏倚。
二、【细微】为什么?因为 OR 不可折叠 风险差(RD)与风险比(RR)是可折叠的:层内 RD 相同、且无混杂时,合并 RD 就等于它;RR 同理。OR 不行。 机制:合并 OR 是各层 OR 的加权平均,但权重依赖【各层对照组的基线风险】,而这个加权在 OR 尺度上不守恒。基线风险越高,同样的 OR 对应的 RD 越大;把高、低风险层混进一张边际表,「非例」的分母被重新分配,OR 就缩向 1。 数值直觉:Z=1 层的 OR=2.5 对应 RD=+21.4pp;Z=0 层的 OR=2.5 对应 RD=+11.7pp。合并后 RD = 46.55% − 30.00% = +16.55pp;把这个 RD 塞回合并基线风险 30% 的 OR 公式,正好得到 2.03。
三、【极难发现】三个由此推出的反直觉后果 1. 「调整后估计离 1 更远 ⇒ 有负混杂」是错的。上面就是零混杂、调整后离 1 更远。 2. 「调整后估计离 1 更近 ⇒ 混杂被控制住了」同样是错的。同一套算术可以反向:把基线风险的分布调换,调整会把 OR 推向 1,而你一点偏倚都没去掉。 3. 条件 OR 与边际 OR 是【两个不同的估计量】,不是同一个量的「有偏/无偏」版本。问「哪个才是真的」是范畴错误;该问的是「你要的是个体条件效应,还是总体平均效应」。
四、【流程节点链路】 起点:层内 OR 相同(2.50)+ 两臂分层分布相同(零混杂) → 中间节点1:把两层合并成一张 2×2 表 → 中间节点2:合并表里「非例」的分母按各层基线风险被重新加权 → 中间节点3:OR 尺度上加权不守恒,边际 OR 被压向 1 → 终点:crude OR = 2.03,层内 OR = 2.50,混杂为零
五、这对实践意味着什么 - 匹配设计的经典怪象有了同一套解释:1:1 配对的条件(matched)OR 与忽略配对的无条件 OR 系统性不等,即使配对变量完全平衡。这不是「配对引入了偏倚」,是估计量换了。 - Meta 分析里把「调整了不同协变量集」的 OR 直接合并,是在平均不同的估计量,不只是平均不同的精度。 - 多变量 logistic 表里第 2 行系数变了,可能根本不是混杂,是估计量换了——这比「Table 2 谬误」还低一层。
六、值得辩论的问题 如果 OR 天生不可折叠,那么「报 OR 还是 RR/RD」就不只是口味问题,而是【你默认读者会把条件效应当成边际效应来读】。Greenland 1987 的老论点近年被重提:二值结局应优先报可折叠的 RR/RD。反方会反驳:病例-对照设计只能估 OR,且 logit 链接在潜变量阈值解释上有其位置,强行换尺度会把设计问题变成报告问题。你站哪边?







0 評論