📊 statistics

Towards a unified approach to formal risk of bias assessments for causal and descriptive inference

该论文主张，鉴于统计模型调整无法完全消除偏差，应进一步开发并强制要求对描述性和因果推断研究采用统一的定性偏倚风险评估框架，以明确统计论证的局限性，从而帮助研究消费者全面评估其价值。

原作者： Oliver L. Pescott, Robin J. Boyd, Gary D. Powney, Gavin B. Stewart

发布于 2026-03-18

📖 1 分钟阅读☕ 轻松阅读

原作者： Oliver L. Pescott, Robin J. Boyd, Gary D. Powney, Gavin B. Stewart

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇文章的核心观点其实是在呼吁：做研究时，不仅要算得对，还要诚实地告诉别人你的结论在什么情况下才“站得住脚”。

为了让你更容易理解，我们可以把做研究想象成**“做一道菜”或者“画一幅地图”**。

1. 核心问题：我们忽略了“看不见的误差”

想象一下，你是一位厨师（研究者），你根据食谱（统计模型）做了一道菜，味道很好（模型拟合完美，数据很漂亮）。
但是，这篇文章指出，大家往往只盯着“味道”看，却忽略了一个**“看不见的部分”**：

你用的食材是不是真的新鲜？（数据有没有偏差？）
你做的这道菜，真的能代表所有想吃这道菜的人的口味吗？（结论能推广到其他人身上吗？）

在统计学里，这叫**“偏倚”（Bias）。以前的研究工具（比如医学里的“偏倚风险评估”）主要关注“内部有效性”（Internal Validity），也就是：“这道菜在厨房里做出来的时候，步骤对不对？有没有放错盐？”**

但这篇文章说，这还不够。我们还需要关注**“外部有效性”（External Validity），也就是：“这道菜真的适合所有食客吗？还是只适合今天这几位客人？”**

2. 两个世界的“隔阂”与“桥梁”

文章发现，统计学其实分成了两个主要阵营，它们以前各说各的，但现在发现它们其实是在解决同一个问题：

阵营 A：因果推断（Causal Inference）
- 比喻：像是在做**“药物实验”**。
- 目标：证明“吃这个药”真的能“治好病”，而不是因为病人自己身体好才好的。
- 痛点：如果实验里的人都是年轻力壮的运动员，那这个药对老年人管用吗？（这就是推广性/外部有效性的问题）。
阵营 B：描述性推断（Descriptive Inference）
- 比喻：像是在做**“民意调查”**。
- 目标：想知道“全中国有多少人支持某项政策”。
- 痛点：如果你只在“大学生论坛”上发问卷，那你的结果能代表“全中国”吗？（这也是推广性/外部有效性的问题）。

文章的惊人发现：
这两个阵营以前觉得对方在搞不同的东西。但实际上，“怎么把实验结果推广到更多人”（因果推断的痛点）和**“怎么把小样本调查推广到全人类”**（描述性推断的痛点），逻辑是一模一样的！它们都在担心：我的样本是不是太“偏”了？

3. 文章提出的解决方案：统一的“体检报告”

目前，医学界有一个很严格的工具叫**“偏倚风险评估”（Risk of Bias, RoB）**，就像给临床试验做“体检”，看看实验设计有没有漏洞。

这篇文章呼吁：
我们要把这个“体检”推广到所有研究领域（不仅仅是医学，还包括社会学、生态学、政治学等），而且不仅要看“内部”（实验做得对不对），还要看“外部”（结论能不能推广）。

具体要怎么做？
作者建议，以后发论文或申请基金时，不能只扔出一堆数据图表，必须附带一份**“诚实的声明”**（Qualitative Risk of Bias Assessment）。这份声明要回答三个问题：

我是谁？（我的样本是从哪里来的？是随机抽取的，还是网上自填的？）
我想代表谁？（我想把结论推广到哪个群体？是全人类，还是某个特定城市？）
中间缺了什么？（我的样本和我想代表的群体之间，有哪些假设是“拍脑袋”想出来的？比如：“我假设网上填问卷的人，和没填的人想法是一样的”，这个假设靠谱吗？）

4. 为什么要这么做？（用“地图”来比喻）

想象你在画一张**“城市地图”**（研究结论）。

传统的做法：只告诉你地图画得多么精准（模型很复杂，P 值很小）。
文章的做法：要求你在地图旁边贴个标签，写上：
- “这张地图只画了市中心，没画郊区。”（样本局限性）
- “如果你要去郊区，这张地图可能不准，因为那里的路可能变了。”（外部有效性风险）
- “我是根据 2020 年的数据画的，2024 年可能已经堵车了。”（时间/情境局限性）

如果不这么做会怎样？
读者（政策制定者、医生、公众）可能会拿着这张“市中心地图”去“郊区”开车，结果迷路甚至出车祸。这就是所谓的**“不可思议的确定性”（Incredible Certitude）**——明明有很多不确定性，却表现得好像自己全知全能。

5. 总结：给研究者的“道德要求”

这篇文章不仅仅是在讲技术，更是在讲**“科研伦理”**。

作者认为，研究者有责任**“自曝其短”。承认自己的数据有局限、模型有假设，并不是示弱，反而是负责任**的表现。

以前：大家拼命想证明自己的结论是“绝对真理”。
现在（文章呼吁的）：大家应该诚实地说：“在这个范围内，我的结论是可信的；但出了这个范围，风险就增加了。”

一句话总结：
做研究就像**“开导航”**，我们不仅要算出路线，还要大声告诉乘客：“注意，这条路只适合晴天走，下雨天可能会打滑，而且只适用于这种车型。”只有这样，乘客（社会大众）才能安全地使用你的研究成果。

这是一篇关于统计推断中“偏倚风险”（Risk of Bias, RoB）评估框架统一的学术论文。文章由 Pescott 等人撰写，旨在打破因果推断（Causal Inference）和描述性推断（Descriptive Inference）之间的传统壁垒，提出一种统一的偏倚风险评估方法。

以下是该论文的详细技术总结：

1. 研究背景与问题 (Problem)

统计推断中的“不可见”不确定性： 统计学常被视为在不确定性下进行推理的科学。然而，当模型拟合数据后，研究者往往只关注模型内的不确定性（如标准误、置信区间），而忽视了模型之外的“不可见”不确定性，即系统性误差（偏倚）。
现有框架的局限性：
- 医学领域的局限： 目前最成熟的“偏倚风险”评估工具（如 Cochrane RoB2, ROBINS-I）主要应用于医学随机对照试验（RCT）和观察性研究，且通常侧重于内部效度（Internal Validity），即研究设计本身是否无偏。
- 忽视外部效度与描述性推断： 这些工具往往未充分涵盖外部效度（External Validity，即结果的可推广性/Generalisability）问题，也未充分应用于描述性推断（如基于非概率抽样的调查数据）。
- 学科割裂： 因果推断（关注处理效应）和描述性推断（关注总体参数）在统计学中长期被视为两个独立的领域，尽管它们在处理缺失数据、加权调整和样本代表性问题上有着深刻的逻辑联系。
核心问题： 现有的评估体系未能统一处理因果推断和描述性推断中共同面临的系统性误差风险，导致研究结论的局限性（如样本代表性不足、不可推广性）常被忽视，从而产生“不可思议的确定性”（incredible certitude）。

2. 方法论与理论框架 (Methodology & Framework)

文章并未提出一个新的数学模型，而是构建了一个逻辑论证框架，将统计学视为一种“论证”（Argumentation），并重新定义了偏倚风险的评估维度。

统计论证的重新定义： 引用 Hodges (1996) 的观点，强调统计模型必须服务于具体的推断目标（如因果解释、预测、描述）。不同的推断目标有不同的“证明责任”（Burdens of Proof）。
统一逻辑结构（图 1 与框 1）： 文章提出了一个统一的推断逻辑结构，将推断过程分解为两个关键步骤：
1. 识别（Identification）： 在研究设定内（Study Setting），基于样本 $S$ $S$ 和源总体 $F$ $F$ （或抽样框），评估估计量是否无偏。这涉及选择机制、缺失数据机制和测量误差。
  - 因果推断： 关注内部效度（如随机化是否成功，混杂是否控制）。
  - 描述性推断： 关注样本 $S$ 是否能代表源总体 $F$ （如概率抽样或加权调整后的代表性）。
2. 推广/传输（Generalisability/Transportability）： 将估计量从源总体 $F$ $F$ 扩展到目标总体 $P$ $P$ 。
  - 因果推断： 关注处理效应在不同人群中的异质性（效应修饰）。
  - 描述性推断： 关注源总体 $F$ 是否等同于目标总体 $P$ （覆盖范围问题）。
偏倚作为推断主张的属性： 文章主张偏倚不应仅被视为估计量或设计的属性，而应被视为**推断主张（Inferential Claim）**的属性。即使模型内部调整完美，如果关于推广性的假设（如“缺失完全随机”）不成立，推断结论仍会有偏。
跨学科工具整合： 文章展示了因果推断工具（如倾向评分、因果图）与描述性推断工具（如后分层、非概率样本加权）在逻辑上的同构性，主张两者应互相借鉴。

3. 主要贡献 (Key Contributions)

提出统一的偏倚风险评估视角： 论证了针对因果推断和描述性推断的偏倚风险评估应遵循相同的逻辑框架。无论是 RCT 的外部效度问题，还是非概率抽样调查的代表性问题，本质上都是关于“从样本到目标总体”的推断风险。
扩展“偏倚风险”的定义： 挑战了医学研究中将 RoB 仅等同于“内部效度”的狭隘观点，明确提出外部效度（可推广性）和描述性推断中的样本代表性也是偏倚风险的核心组成部分。
明确“证明责任”的转移： 指出在统计推断中，除了模型拟合，研究者必须明确陈述关于选择机制、缺失机制和总体覆盖范围的假设。如果无法证明这些假设，推断结论的价值将大打折扣。
呼吁制度化改革： 强烈建议期刊和资助机构将定性的“偏倚风险评估”框架（类似医学界的 RoB 工具）强制应用于所有涉及推断的研究，特别是那些依赖非概率样本或进行外部推广的研究。

4. 结果与发现 (Results & Findings)

逻辑同构性： 研究发现，因果推断中的“处理效应推广”与描述性推断中的“总体参数估计”在数学和逻辑上高度相似。例如，将样本平均处理效应（SATE）推广到总体平均处理效应（PATE）的方法（如后分层加权），与非概率样本的加权调整方法在本质上是相同的。
现有工具的不足： 现有的统计实践往往过度依赖模型调整（如回归调整、加权），却缺乏对调整假设（如“缺失随机”）的定性评估。这种“模型万能论”掩盖了剩余的系统性误差。
伦理维度： 文章指出，忽视偏倚风险不仅是方法论缺陷，更是伦理问题。研究者有责任披露推断的局限性，否则可能导致政策制定或科学结论的误导，产生有害后果。

5. 意义与影响 (Significance)

提升科学严谨性： 通过强制要求披露偏倚风险（包括内部和外部效度），可以迫使研究者更诚实地面对数据局限性，避免过度解读模型结果。
促进学科融合： 打破了流行病学/医学、社会科学（调查抽样）和统计学之间的壁垒，促进了方法学工具的共享（如将因果图用于调查设计，将调查加权用于因果推断）。
政策与出版规范： 呼吁期刊和资助机构（如 NERC, UKRI 等）制定强制性指南，要求作者在发表前完成定性的偏倚风险评估报告。这类似于医学界的 PRISMA 或 GRADE 框架，但适用范围更广。
应对大数据时代的挑战： 在大数据和非概率样本（如在线调查、公民科学数据）日益普及的今天，传统的概率抽样假设往往失效。该框架为评估这些新型数据的推断质量提供了必要的理论工具，防止“大数据悖论”导致的错误结论。

总结

这篇文章的核心论点是：统计推断的价值不仅取决于模型拟合的精度，更取决于对模型之外系统性误差（偏倚）的定性评估。 作者呼吁建立一种统一的、强制性的“偏倚风险”评估文化，将内部效度（因果识别）和外部效度（可推广性/描述性代表性）纳入同一评估体系，以确保科学结论的稳健性和可信度。