测量误差

测量误差是指你记录的数字与实际情况不完全一致，比如体重秤显示的体重比你的实际体重重了两磅。在因果图中，这些误差可能打断变量之间的联系，让真实的效应消失，或制造出原本不存在的关系。一项医学研究可能因为患者记录有误，没能发现药物有效；两件事也可能只是因为测量都不准确，才显得有关联。

想一想：看到出乎意料的结果时，你有没有考虑过，测量本身可能在误导你？

测量误差如何扭曲因果发现

画因果图（有向无环图）时，我们假定箭头连接的是真实变量，但数据却来自不完美的测量。当测量误差很大时，“真实睡眠质量”与“测得的睡眠情况”之间的联系就会断裂。不太可靠的智能手表可能把活动记成睡眠，也可能完全漏掉清醒时段。这种断裂会阻断真实原因（运动）影响结果（睡眠）的效应在数据中显现的路径，让真实的关系消失。

误差误导你的两种方式

第一，误差会增加噪声，淹没有用的信号，从而掩盖真实关系。假设你想研究阅读是否能增加词汇量：如果总在学生疲倦的日子测试词汇量，分数就会随机波动，掩盖阅读带来的真实收益。第二，误差可能制造虚假的关系。假设两家医院都用了有问题的体温计，读数都偏高。分析可能会显示两家医院之间存在虚假关联，而真正的问题是它们有共同的测量偏差。

什么会让问题更严重

误差造成多大影响，取决于它出现在因果图的哪个位置。如果结果变量测得不准，你发现效应的能力就会下降。如果混杂因素的测量有误，针对它的调整就会不充分，就像试图用筛子堵住漏水的堤坝。处理变量中的较大误差可能让效应估计偏向零，使强效应看起来很弱。请注意：如果研究的测量从根本上就有问题，再严谨的统计分析也救不了它。

测量误差会让理论上的因果模型与根据数据拟合的统计模型不一致，从根本上改变因果推断。经典测量误差（误差与真实值无关）通常会使估计偏向无效应，并降低统计功效，也就是发现效应的能力。不过，非经典测量误差中的错误与真实值或其他变量相关，可能让估计向难以预测的方向偏移，甚至颠倒因果结论。

• Greenland（2005）：差异性测量误差（不同群体的误差模式不同）可能制造虚假关联，或掩盖真实关联，即使敏感性分析显示结果稳健，也可能如此。[1]
• Hernán 和 Cole（2009）：在因果图中，测量误差会引入未测量的节点，阻断或打开路径，从根本上改变 d-分离结构（用于判断图中路径是否被阻断的结构），从而改变可用于有效调整的变量集合。[2]
• VanderWeele（2019）：当测量误差影响的是混杂因素，而非暴露或结果时，标准回归调整的表现不佳；还可能出现偏倚放大，使部分调整比完全不调整更糟。[3]

实际含义是，测量误差改变了因果图本身：理论上看似单一的变量，在现实中变成了两个部分（真实值和误差），并通过箭头与系统的其他部分产生意想不到的联系。

校正测量误差需要对误差结构作出较强的假设，而这些假设往往无法仅凭数据验证。验证研究（用两种方式测量同一事物）能提供帮助，但也会带来自身的不确定性。许多方法假定误差属于经典测量误差，然而现实中的误差经常与真实值相关，或因子群体而异。此外，如果只关注测量误差，也可能忽略未测量混杂、模型设定错误等其他问题。因果图能帮你把问题画出来，却不能解决问题；更好的测量或研究设计（如随机试验）仍是主要的防线。