混杂、偏倚与研究效度
本领域汇集了流行病学家用于判断观察到的暴露-结局关联是否反映真实效应或仅为假象的概念。它区分了系统误差——混杂、选择偏倚和信息偏倚——与随机误差，并从内部效度（估计值对研究人群是否准确？）和效应修饰（效应在不同亚组间是否存在差异？）的相关概念来阐述结果。
Definition
混杂、偏倚和研究效度共同构成了流行病学评估测量关联是否为因果效应的有效估计的框架，将系统误差（混杂、选择偏倚、信息偏倚）与随机误差以及不同亚组间效应的真实变异（效应修饰）区分开来。
Scope
本领域旨在概述流行病学研究中对效度的威胁以及用于推理这些威胁的词汇。它链接了关于混杂、选择偏倚、信息偏倚、效应修饰与交互作用以及内部效度的详细主题条目。它是一个方法学参考，不提供临床或个体治疗指导。
Sub-topics
Core questions
- 观察到的关联是否可以用暴露和结局的共同原因来解释（混杂）？
- 受试者进入或留在研究中的方式是否扭曲了关联（选择偏倚）？
- 不同组的暴露或结局测量或报告方式是否不同（信息偏倚）？
- 效应在不同亚组间是否存在真实差异（效应修饰），这与混杂有何区别？
- 总而言之，该估计值对于实际研究的人群是否具有内部效度？
Key concepts
- 系统误差与随机误差
- 混杂
- 选择偏倚
- 信息（测量）偏倚
- 效应修饰与交互作用
- 内部效度
- 外部效度（普遍性）
- 因果图（DAGs）
Mechanisms
测量到的关联可能因多种不同原因偏离真实的因果效应。当第三个因素是暴露和结局的共同原因时，就会产生混杂，将其效应与正在研究的效应混淆。当受试者进入分析并留在分析中的程序共同依赖于暴露和结局时，就会产生选择偏倚，从而扭曲分析样本中的关联。当暴露或结局被错误分类时，就会产生信息偏倚，这种错误分类可能是非差异性的（使估计值趋向于零）或差异性的（使其向任一方向偏移）。这些系统误差在概念上与随机误差是分开的，随机误差反映了抽样变异性，并由置信区间概括。效应修饰根本不是误差：它描述了效应在第三个变量不同水平上的真实变异。因果图（有向无环图）提供了一种通用语言，用于区分混杂和选择偏倚，并决定需要调整哪些因素。
Clinical relevance
这些概念对于评估构成健康知识基础的证据至关重要。报告的暴露与疾病之间的关联是否可信，取决于研究对混杂和偏倚的控制程度，以及其估计值是否具有内部效度。本领域描述了如何判断证据，而不是个体应如何处理诊断或治疗。
Epidemiology
对混杂和偏倚的推理是每项观察性研究的一部分，并已纳入报告标准，例如STROBE声明，该声明要求作者描述他们如何处理这些威胁。该框架应用于队列研究、病例对照研究和横断面研究设计，并越来越多地通过明确的因果图方法应用。
Evidence & guidelines
STROBE声明（von Elm et al., 2007）是一项被广泛采用的报告指南，要求观察性研究解决偏倚来源、混杂控制以及影响内部和外部效度的局限性。
History
偏倚和混杂的词汇在20世纪随着观察性流行病学的成熟而逐渐形成，借鉴了关于非实验数据因果推断的辩论。从20世纪后期开始，形式化的因果模型——潜在结局和有向无环图——给出了精确的定义，统一了先前独立的混杂和选择偏倚概念，并澄清了它们与效应修饰的区别。
Debates
- 混杂和选择偏倚是一个现象还是两个现象？
- 因果图解释表明混杂（暴露和结局的共同原因）和选择偏倚（以共同效应或碰撞因子为条件）在结构上是不同的，尽管两者都会产生非因果关联；一些经典处理方法将它们更松散地归为一类。
Key figures
- Sander Greenland
- James Robins
- Judea Pearl
- Kenneth Rothman
- Miguel Hernán
Related topics
Seminal works
- greenland-pearl-robins-1999
- grimes-schulz-2002-bias
- delgado-rodriguez-2004
Frequently asked questions
- 偏倚和混杂有什么区别？
- 两者都是系统误差，但混杂是暴露和结局共同原因的效应混合，而这里的偏倚是指由受试者选择方式（选择偏倚）或变量测量方式（信息偏倚）引入的扭曲。
- 效应修饰是一种偏倚吗？
- 不是。效应修饰描述了效应在不同亚组间的真实变异；它是所研究关系的一个特征，而不是像混杂或偏倚那样需要消除的误差。