赤褐色砂石 » 布朗斯通学院期刊 » 谎言、该死的谎言和因果关系
谎言、该死的谎言和因果关系

谎言、该死的谎言和因果关系

分享 | 打印 | 电子邮件

不久前我还以为我发现了最糟糕的情况 曲解 一项关于新冠疫苗的研究,但我刚刚遇到了该头衔的另一个竞争者。那是个 根据一项研究, 关于疫苗接种和交通事故。

作者解释说,“[他们]测试了新冠疫苗接种是否与交通事故的风险有关”,他们的结论是“对新冠疫苗接种的犹豫与交通事故风险的显着增加有关。”

它们的含义远不止“关联”。他们的意思是,对疫苗的犹豫会增加交通事故的风险,这是一种因果关系,就像新冠疫苗可以降低死亡风险的说法一样。

我怎么知道那是他们的主张?

他们指出,这项研究不是随机试验,他们使用统计方法来支持观察性研究中因果关系的推论。

他们的推论是错误的。这些是真实的结论:

1. 他们的研究展示了另一个例子 健康疫苗接种者偏见.

2. 他们的研究表明,无法通过最严格的统计方法消除偏差。

让我从关联与因果关系的速成课程开始。

关联是一种统计现象。因果关系就是现实。在新冠疫情期间,许多人都听过“关联(不一定)是因果关系”这句话,这是事实。但这两个想法是相关的。如何?

使用简单的因果图可以最好地解释这种联系,其中箭头表示因果关系。

有两种机制可以在 A(例如疫苗接种)和 B(例如交通事故)之间建立关联。

1)A影响B(因果关系)

2)A和B有一个共同的原因,C(混杂)

如果 A 这样做 并非 影响B,但他们有一个共同的原因,A和B仍然是相关的。这就是为什么关联不一定是因果关系的原因之一。除随机化机制外,随机试验消除了我们分配治疗的任何原因(例如,一种药物与另一种药物的比较)。这就是为什么我们需要随机试验来提出强有力的因果关系。混乱消失了。

还有一点:任何箭头都可以被视为因果链的总结。例如, C→B 可以代表 C→ → → →乙.

当然结束。有一片海洋 复杂的材料,但这就是我们需要知道的。

这篇文章的作者了解因果图。他们展示了一个精心设计的“有向无环图”(左图),这是“因果图”的一个奇特名称。

令人惊讶的是,变量“疫苗接种状态”没有出现在他们的图表中,只显示“疫苗犹豫”,这是他们给分析的实际变量起的名字:是否接种疫苗。

科学不是评判性的,所以我用“决定”(是否接种疫苗)取代了“疫苗犹豫”,无论其原因是什么(右图)。然后,我添加了“疫苗接种状态”(A),这就是“决定”的效果。这两个变量几乎完全相关。如果我决定接种疫苗,我很可能会接种疫苗。同样,如果我决定不接种疫苗。我忽略了一个人在认知上无法做出决定或无法获得疫苗或强制注射的情况......

正如您在我的图表中看到的,没有因果箭头将“决定”或“疫苗接种状态”与交通事故联系起来。无A → B. 作者的图表中没有明确提及的唯一可能的因果关系是通过 Covid:未接种疫苗 → 感染 → 疲劳 → 碰撞。我们可能会忽略这条链,因为我们知道疫苗接种并不能降低感染风险,可能 相反.

那么,为什么疫苗接种和车祸可能存在关联呢?

到现在为止,你已经知道答案了。它们有许多共同的原因(我图中的 C),其中一些是在研究中测量的,而许多则没有。根据该图,一项随机试验将发现疫苗接种与交通事故之间没有关联,也没有任何影响的证据。

正如他们和我的图表所预期的那样,作者确实发现了疫苗接种与车祸之间的关联。未接种疫苗的人发生车祸的风险似乎比接种疫苗的人更高,反之亦然:接种疫苗似乎可以防止交通事故。一些共同的原因起到了降低风险的作用,而另一些则起到了相反的作用。所有共同原因的共同作用产生了针对严重交通事故的伪有效性。

这是另一个例子 健康疫苗接种者偏见,作者都知道这一点。疫苗接种者的更多“有利特征”使他们 不太可能 发生严重车祸,这可能导致交通死亡,这是众多事故之一 非Covid 死亡原因。那些特质,也造就了他们 更有可能 接种疫苗,降低了撞车的风险,而不是决定是否接种新冠疫苗或服用它。

具有讽刺意味的是,作者使用一种称为“阴性对照”的方法检查了健康疫苗接种者的偏见。他们研究了疫苗接种与预计疫苗接种不会产生影响的其他终点之间的关联。 然而他们没有意识到他们研究的终点正是这种终点。根据他们自己的图表和常识,疫苗接种预计不会影响车祸风险。他们发现的“效果”是混淆偏见。

更讽刺的是,因受伤或外伤而住院被认为是一种 “阴性对照”终点 流感疫苗的研究,正是由一位合著者完成的 关键出版物 关于新冠疫苗的有效性。 (我不知道他为什么不把这个方法应用到Covid疫苗的研究中。我 不被允许 去问。)

未接种疫苗的人发生车祸的风险是接种疫苗的人的 1.72 倍,反之亦然:疫苗接种的伪效应是风险比为 0.58,或伪疫苗有效性为 42%。

考虑到因果关系,作者尝试通过多种方法调整估计,并显示了不同的结果。他们描述了最严格的尝试如下:

第二个倾向评分分析的目的是严格将未接种疫苗的个体与已接种疫苗的个体进行一对一匹配,并排除任何人进行医学诊断的情况。

你不需要了解统计学就能直观地认识到这确实是一种严格的方法。

他们是否从最严格的消除健康疫苗接种者偏见的尝试中获得了 1 的风险比(真正的无效效应)?不,他们得到了 1.63(调整后)而不是 1.72(未调整)。这就是严格调整所取得的成果。 (从技术上讲,这两个数字都是优势比。)

因此,当您阅读关于消除健康疫苗接种者偏见的方法的稀疏文献的评论时,请记住这篇关于疫苗接种和交通事故的文章。依赖测量变量 可能无法消除偏见,这就是我们的全部 要知道.

我们目前能做的最好的事情已得到解释 别处。它一点也不复杂,尽管还有更多 探索。我们面临的真正问题并不科学:我们所需的非新冠死亡数据通常是隐藏的。

PS我是副主编 美国流行病学杂志, 我的记录包含大约200篇出版物,其中一些发表在所谓的顶级医学期刊上。我应该重新格式化这篇文章还是 其他类 主题并将其提交给期刊以获得“同行评审?”的印章

我放弃 很久以前.

转载自作者 M中号



发表于 知识共享署名4.0国际许可
如需转载,请将规范链接设置回原始链接 褐石研究所 文章和作者。

作者

  • Eyal Shahar

    Eyal Shahar 博士是流行病学和生物统计学公共卫生领域的名誉教授。 他的研究重点是流行病学和方法学。 近年来,Shahar 博士还对研究方法做出了重大贡献,尤其是在因果图和偏差领域。

    查看所有文章

今天捐赠

你们对布朗斯通学院的财政支持将用于支持作家、律师、科学家、经济学家和其他在我们这个时代的动荡中受到职业清洗和流离失所的勇敢人士。 您可以通过他们正在进行的工作帮助查明真相。

订阅 Brownstone 以获取更多新闻


商店褐石

随时了解 Brownstone Institute 的最新动态