观文听傑

返回

处理到目标结果与处理到诊断结果的因果路径并列,共同原因连接两者处理到目标结果与处理到诊断结果的因果路径并列,共同原因连接两者

上一篇把研究问题、估计目标和分析分支写进预分析计划。本篇继续问:完成观察研究后,有没有一个结果能暴露尚未控制的偏差?观察数据里的重要共同原因常常没有被记录。**负向对照(negative control)**用一个按因果知识不应出现目标效应的暴露或结果做诊断。

本篇只讲如何设计和解释负向对照。它不是把一个不显著的安慰剂检验当作“因果成立”的证明。下一篇会接着讨论:若仍担心未测混杂,怎样量化它需要多强才能完全解释结果。

flowchart LR
 U[未测共同原因 U] --> A[目标暴露 A]
 U --> Y[目标结果 Y]
 A --> Y
 U --> N[负向对照结果 N]
 A -.设计假设:无因果路径.-> N
 A0[负向对照暴露 A0] --> Y0[诊断结果]
 A0 -.设计假设:无因果路径.-> Y
 N --> C[同一协变量调整与估计]
 Y --> C
 C --> R{诊断是否仍偏离零?}
 R -->|是| S[调查混杂、选择、时间与测量]
 R -->|否| T[报告区间与检测功效,保留不确定性]
mermaid

分析伪代码:

冻结目标队列、暴露定义、负向对照定义、时间窗和调整集
对目标结果 Y 与每个预先指定对照 N:
  用同一纳入规则与调整口径估计暴露关联及设计一致的置信区间
  记录样本数、缺失率、点估计、区间和方向
若对照关联偏离零:检查对照有效性、共享偏差、时序、选择与编码
输出全部预先指定结果;不把对照估计直接当作主结果偏差校正量
text

01 为什么处理前平衡检查不够?#

设新治疗 AA 对 30 天再入院 YY 的风险差是目标。未完全记录的病情严重度 UU 同时影响治疗选择与再入院,于是调整已测协变量后仍有混杂。可以预先找一个负向对照结果 NN:它受相似病情或医疗利用模式影响,但治疗不可能在观察窗内改变它,例如经领域论证、在治疗前已发生且不可回溯改变的某类独立事件。

如果调整后的 AA 仍与 NN 有关联,这个关联不能由目标治疗效应解释(前提是负向结果判断正确),于是提示共享混杂、时间窗错误、选择机制或编码问题。若点估计接近零,也可能是样本太小、对照测量差,或对照没有共享目标分析的偏差路径。未拒绝零假设不等于排除偏差。

另一个类型是负向对照暴露(negative control exposure) A0A_0:它共享潜在混杂因素,但不可能影响目标结果。比如未来才发生的政策上线不可能造成过去的结果,却可能标记城市原本的趋势。必须排除提前反应、预期效应和反向因果。

02 挑对照先写因果假设#

样本数为 nn,处理前协变量矩阵 X∈Rn×pX\in\mathbb R^{n\times p},暴露 A∈{0,1}nA\in\{0,1\}^n,目标结果 Y∈RnY\in\mathbb R^n,负向对照结果 N∈RnN\in\mathbb R^n。向量长度都对应样本;若结果二元则取 0/1。一个有用的负向结果需同时满足:

  • 无真实因果路径:AA 不会影响 NN,没有治疗影响 NN 的中介或共同测量流程。
  • 共享偏差来源:使 AA 与 YY 混杂的因素也影响 AA 与 NN,或相同的选择/测量机制进入两条路径。
  • 时间和入样规则正确:对照不受处理后行为影响,不能根据对照结果决定是否入样。
  • 测量口径可比:定义、捕获概率、缺失机制和协变量调整足够接近。

只满足“不可能有治疗效应”还不够。若 NN 与 YY 的混杂来源完全不同,零关联几乎没有诊断价值。选择规则要在查看估计前写下,避免从几十个 placebo 里只挑一个结果好看的。

03 手算:分层标准化的诊断关联#

假设按处理前风险层 XX 分层,每格 20 人:

风险层处理组 YY对照组 YY处理组 NN对照组 NN
低8/20 = 0.406/20 = 0.304/20 = 0.202/20 = 0.10
高14/20 = 0.7012/20 = 0.608/20 = 0.406/20 = 0.30

每层目标结果风险差为 0.10,负向结果风险差也为 0.10。数字是手算例,不是真实效应。标准化估计为

\widehat{RD}_N=\sum_x w_x(\bar N_{1x}-\bar N_{0x}),$$ 其中 $w_x$ 是目标人群在层 $x$ 的比例,$\bar Y_{ax}$ 是该层暴露 $a$ 的均值。等权时两个估计都是 0.10。推断还要计算不确定区间:对照估计 0.10、区间 $[-0.20,0.40]$ 与零相容,但它并没有排除有意义的偏差;窄区间 $[0.08,0.12]$ 则是另一种证据。 ## 04 用 Python 明确输入、输出和检查 代码实现离散分层标准化风险差,不调用黑盒 `fit`。输入为三个长度 $n$ 的向量 $A,Y,X$ 和目标层权重;输出单个风险差。它不提供标准误,也不替代连续协变量建模、聚类推断或双重稳健估计。 ~~~python from collections import defaultdict def standardized_rd(a, outcome, strata, target_weights): n = len(a) if len(outcome) != n or len(strata) != n: raise ValueError("a, outcome, strata must have equal length") if any(v not in (0, 1) for v in a + outcome): raise ValueError("a and binary outcome must be 0/1") if abs(sum(target_weights.values()) - 1.0) > 1e-9: raise ValueError("weights must sum to one") cells = defaultdict(list) for ai, yi, xi in zip(a, outcome, strata): cells[(ai, xi)].append(yi) rd = 0.0 for xi, weight in target_weights.items(): treated, control = cells[(1, xi)], cells[(0, xi)] if not treated or not control: raise ValueError(f"no overlap in stratum {xi!r}") rd += weight * (sum(treated)/len(treated) - sum(control)/len(control)) return rd A = [1]*20 + [0]*20 + [1]*20 + [0]*20 X = ["low"]*40 + ["high"]*40 Y = [1]*8+[0]*12 + [1]*6+[0]*14 + [1]*14+[0]*6 + [1]*12+[0]*8 N = [1]*4+[0]*16 + [1]*2+[0]*18 + [1]*8+[0]*12 + [1]*6+[0]*14 weights = {"low": 0.5, "high": 0.5} print(standardized_rd(A, Y, X, weights)) # 0.10 print(standardized_rd(A, N, X, weights)) # 0.10 ~~~ `cells` 按 $(A,X)$ 聚合样本;每个目标层都要有处理与对照,检查基本重叠。`target_weights` 长度为层数且权重和为 1。若 $X$ 是连续混杂,不要任意粗分后就宣称已控制;还要检查模型形式、缺失、样本选择与标准误的聚类层级。正式分析应给 $Y$ 与 $N$ 都报告估计区间,并固定同一目标总体。 ## 05 显著诊断后该查什么? 主结果与对照结果使用相同的样本纳入规则、时间窗、协变量集、权重和推断层级。随后依次检查: 1. 对照结果是否真的不受处理影响,包括预期效应、共同服务变化和治疗副作用? 2. 是否误调了处理后变量或碰撞变量,或按结果选择样本? 3. 暴露日期、结果窗口、时区、延迟入库或版本是否错位? 4. 对照结果捕获率会不会随暴露、医院或数据库版本改变? 5. 对照和目标结果的混杂来源是否重叠,诊断有没有统计功效? 显著关联是**不利诊断信号**,不是可以直接从主效应里减掉的偏差估计。除非额外识别假设支持校正,不可用 $\widehat{RD}_Y-\widehat{RD}_N$ 声称得到去混杂真效应。多项对照应报告预先指定的全部结果和区间,不能只挑通过的一个。 <details> <summary>键盘可展开:负向对照结果接近零,能得出什么结论?</summary> <p>只能说当前对照、模型和样本功效下未检测到这类偏差信号。Tab 聚焦摘要后按 Enter 或 Space 展开;窄屏阅读也不依赖悬停或颜色。</p> </details> ## 与相近方法的边界 | 方法 | 回答的问题 | 主要依赖 | 不能单独证明 | |---|---|---|---| | 负向对照 | 不应有的关联是否仍出现? | 对照无真实因果、却共享偏差路径 | 零关联不代表无未测混杂 | | 安慰剂时间/结果 | 虚假时间或结果是否出现效应? | 安慰剂切断目标因果路径 | 检验功效足够 | | E-value | 未测混杂需多强才解释估计? | 风险比尺度和敏感性框架 | 具体混杂是否存在 | | 敏感性界限 | 假定偏差范围后效应范围多大? | 偏差范围有实质解释 | 数据自动识别出可信范围 | ## 思考练习 1. 负向对照点估计 0.03、95% 区间 $[-0.15,0.21]$。为什么不能写“未测混杂不存在”?还需要报告什么? 2. 目标暴露是住院给药,对照结果选“入院前 7 天的检验值”。哪些时间或入样规则仍会引入关联? 3. 如果对照受共同数据采集流程影响、但病因结构不同,你会怎样说明它能发现和漏掉的偏差? ## 延伸阅读 - [Lipsitch, Tchetgen Tchetgen & Cohen, Negative Controls: A Tool for Detecting Confounding and Bias in Observational Studies (2010)](https://doi.org/10.1097/EDE.0b013e3181d61eeb) — 负向暴露、负向结果及其诊断条件。 - [Shi, Miao & Tchetgen Tchetgen, A Selective Review of Negative Control Methods in Epidemiology (2020)](https://pmc.ncbi.nlm.nih.gov/articles/PMC8118596/) — 方法框架和设计选择综述。 - [Miao, Geng & Tchetgen Tchetgen, Identifying Causal Effects With Proxy Variables of an Unmeasured Confounder (2018)](https://doi.org/10.1093/biomet/asy038) — 代理变量与未测混杂的识别条件。 - [Tchetgen Tchetgen, The Control Outcome Calibration Approach for Causal Inference With Unobserved Confounding (2014)](https://doi.org/10.1093/aje/kwt303) — 额外假设下用对照结果校准偏差。 上一篇冻结研究问题,本文检查设计中可能残留的偏差。下一篇继续量化:若诊断仍留下担忧,未测混杂与暴露、结果至少要有多强的关联,才能把风险比估计完全解释掉?
安慰剂结果也显著,主结论该信多少?负向对照怎样发现隐藏偏差
https://zwjcode.cn/blog/negative-control-diagnostics
作者 傑
发布于 2026年10月16日
版权协议 CC BY-NC-SA 4.0
评论加载似乎遇到了问题,请尝试刷新页面。