📊 statistics

On the choice of using raw or demographically-corrected scores

本文认为，对于像简易精神状态检查量表（MMSE）这样的认知筛查测试，在特定条件下，原始分数在分类准确性和公平性方面可以优于经过人口统计学修正的分数，从而对常规使用人口统计学调整的做法提出了挑战。

原作者： Ignacio Gonzalez-Perez, Mats Julius Stensrud, Marco Piccininni

发布于 2026-07-01

📖 1 分钟阅读☕ 轻松阅读

原作者： Ignacio Gonzalez-Perez, Mats Julius Stensrud, Marco Piccininni

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

想象一下你是一名医生，正试图通过一个名为 MMSE 的简单测验来判断患者是否存在记忆问题（如痴呆症）。这个测验根据患者答对的问题数量给出评分。

几十年来，医生们一直在争论一个特定的问题：我们应该看患者得到的原始分数，还是应该根据他们的年龄和受教育程度对分数进行“调整”？

由 González-Pérez、Stensrud 和 Piccininni 撰写的这篇论文深入探讨了这场辩论。以下是他们研究结果的拆解，使用了简单的类比。

两种方法：原始分数 vs. “让步”系统

1. 原始分数（“未调整”法）
把原始分数想象成一名跑者完成比赛。如果一名跑者的成绩是 10 分钟，那这就是时间本身。你看着时钟并决定：“10 分钟够快到能成为冠军吗？”你并不关心他们是 20 岁还是 60 岁；你只看时间。

在论文中： 这指的是原始测试分数（例如 30 分中的 24 分）。

2. 人口统计学修正分数（“让步”法）
这种方法就像高尔夫球的差点（handicap）。如果是一名年龄较大或练习较少（受教育程度较低）的选手参赛，系统会从他们的分数中扣除分数，或者给对手增加分数，以“平衡竞争环境”。其理念是：“好吧，这位 75 岁的选手答对的问题没有 25 岁的选手那么多，但这也许仅仅是因为他们年纪大了，而不是因为他们生病了。让我们调整分数，以便将他们与其他的 75 岁人群进行比较。”

在论文中： 这是“z 分数”或修正后的分数，其中原始分数根据年龄和教育常模进行了数学上的平移。

重大发现：“让步”反而会损害准确性

作者们通过计算发现了一个令人惊讶的事实：有时，给每个人一个“让步”反而会让诊断变得更差，而不是更好。

他们在数学上证明了，如果年龄和教育程度是疾病本身的强有力指标，那么针对它们进行调整就像是在试图移除火灾中的烟雾，却忽略了烟雾本身就是火灾的征兆。

类比：
想象你正在试图探测森林中的火灾。

原始分数： 你观察烟雾。烟雾越多 = 火灾的可能性越高。
修正： 你说：“等等，这个森林在夏天通常会有烟雾。让我们根据季节来调整烟雾的读数。”
问题所在： 如果火灾导致了烟雾，而季节也导致了烟雾，那么尝试在数学上“减去”季节性的烟雾，可能会不小心把火灾产生的烟雾也减去了。最终你会误以为没有火灾，而实际上火灾确实存在。

论文表明，当年龄和教育程度与痴呆症风险密切相关时，使用原始分数通常比使用修正后的分数更能准确地发现疾病。这种修正会“冲淡”疾病留下的重要线索。

“公平性”之争：让步系统更公平吗？

许多医生认为我们必须使用修正，因为这感觉更“公平”。他们担心如果不进行修正，老年人或受教育程度较低的人会仅仅因为得分较低而被不公平地贴上“患病”的标签。他们希望测试具有“人口统计学不敏感性”——即无论你是谁，测试结果都应该是一致的。

论文的反驳：
作者们同意我们追求公平，但他们认为人口统计学修正并不一定能实现人们所认为的公平。

目标： 他们希望测试对所有人都有相同的“假阳性率”（即误判某人为病人的概率）。
现实： 虽然修正可能会使不同群体之间的“假阳性率”趋于一致，但它们往往会破坏“真阳性率”（即正确发现病人的人数）。
隐喻： 想象机场的金属探测器。
- 原始分数： 它会对所有携带金属的人发出警报。
- 修正： 你告诉机器：“老年人携带更多金属，所以忽略他们的警报。”
- 结果： 你可能停止了对无辜老年人的标记（这是好事！），但你也可能开始漏掉他们实际携带的武器（这是坏事！）。论文显示，所谓的“修正后”机器并不真的对年龄“盲视”；它只是改变了它出错的方式。它并没有像人们希望的那样实现真正的“人口统计学不敏感”。

现实世界的测试：OASIS-3 研究

为了证明这不仅仅是纸面上的数学理论，作者们在一个拥有超过 1,300 人样本的真实数据集（OASIS-3）上进行了测试。

他们将原始 MMSE 分数与经过年龄修正后的分数进行了对比。
结果： 数据指向了原始分数更好，因为它能更有效地识别认知障碍。
公平性检查： 他们还检查了修正后的分数是否真正具有“年龄不敏感性”。他们发现，事实并非如此。即使在针对年龄进行了修正后，分数仍然高度依赖于年龄，尤其是在那些真正患有疾病的人群中。

核心结论

论文得出结论：虽然针对年龄和教育进行“修正”的想法听起来很美好且公平，但在识别认知障碍的特定背景下，它往往会降低诊断的准确性。

如果你正在试图在草堆里找一根针（疾病），并且你知道随着年龄增长，草堆会变得更加“多烟”（分数降低），那么你不应该尝试在数学上移除这种“烟雾感”。你应该观察原始的烟雾，因为这些烟雾本身就是针头存在的关键线索。

简而言之：不要过度修正。有时候，原始数字讲述的是最真实的故事。

技术摘要：关于使用原始分值还是人口统计学修正分值的选择

问题陈述
人口统计学修正（例如，针对年龄和受教育程度进行调整）是神经心理学和健康科学中的标准做法，特别是在针对认知筛查测试（如简易精神状态检查 MMSE）时。这些修正旨在根据参考常模进行标准化，以确保公平性并防止对脆弱人口群体进行过度诊断。然而，经验证据和一些理论论点表明，与使用原始分值相比，此类修正可能会降低分类准确性（敏感性和特异性）。争论的焦点在于：这种准确性的潜在损失是否足以证明其在提升公平性或人口统计学不敏感性方面的收益是合理的。现有文献通常依赖于限制性的参数假设、特定的模拟模型或缺乏通用理论框架来解释“何时”以及“为何”原始分值可能优于修正后的分值。

方法论
作者开发了一个通用的非参数框架，用于比较原始分值（ $X$ ）与人口统计学修正分值（ $Z$ ）的分类准确性。

形式化： 研究将人口统计学修正定义为基于非受损人群（ $D=0$ ）中原始分值条件分布的变换 $Z = g_V(X)$ 。研究区分了不同类型的修正，重点关注依赖于给定 $V$ 和 $D=0$ 时 $X$ 的分布的 I 型修正（例如，z-score 标准化）。
假设： 分析依赖于三个关键假设：
1. 设计良好的测试： 原始分值的似然比是递减的（这意味着协变量特定 ROC 曲线是凹的）。
2. 设计良好的修正： 修正后的分值 $Z$ 在给定非受损状态的情况下与人口统计学变量 $V$ 条件独立（ $Z \perp \perp V | D=0$ ）。
3. 概率共单调性： 在非受损组中，人口统计学变量与原始分值的关联方向，与在特定原始分值阈值下，人口统计学变量与疾病状态（ $D$ ）之间的关联方向一致。
因果解释： 作者利用因果有向无环图（DAG）框架来解释这些假设。他们将人口统计学变量（ $V$ ）建模为对测试分值（ $X$ ）和疾病状态（ $D$ ）均有直接影响。他们分析了在给定 $X$ 的情况下，如何通过条件化 $X$ 产生一个“碰撞因子”（collider）路径，从而改变观察到的 $V$ 与 $D$ 之间的关联。
公平性分析： 论文利用反事实推理形式化了“人口统计学不敏感性”（包括强和弱两种情况）的概念。他们定义为一个分数是“不敏感”的，如果决策规则的表现（真阳性率/假阳性率）在对敏感属性（例如，改变测试对教育或感官能力的敏感度）进行假设性干预后保持不变。
经验应用： 将理论结果应用于包含 1,317 名参与者的 OASIS-3 数据集（使用 MMSE 分值）。作者使用非参数方法和参数层次模型估计了优越性条件（ $\tau(t)$ ），以验证假设 3 的有效性。他们还测试了原始分值和年龄修正分值的人口统计学不敏感性。

核心贡献

原始分值优越性的充分条件： 论文提供了正式的充分条件（定理 1），在这些条件下，原始分值比人口统计学修正分值具有更高的边际分类准确性（在固定的假阳性率 FPR 下具有更高的真阳性率 TPR）。该结论无需依赖限制性的参数模型或模糊的“强关联”概念。
修正造成损害的因果解释： 作者阐明，当人口统计学变量是目标疾病的强预测因子时（例如，年龄是痴呆症的强风险因素），修正会变得有害，因为修正消除了原始分值中与疾病风险存在因果联系的变异。
公平性的形式化： 论文区分了“使误差率相等”（修正通常实现的特征）与“人口统计学不敏感性”（即决策规则对人口统计学干预保持不变）的概念。他们证明了标准的修正并不能保证人口统计学不敏感性，特别是在真阳性率方面。
经验验证： 利用 OASIS-3 数据，研究为“原始 MMSE 分值在分类准确性上优于年龄修正分值”这一理论主张提供了证据，并证明了年龄修正分值在认知受损个体中并不具备人口统计学不敏感性。

结果

理论层面： 在假设测试设计良好且修正实现了非受损组中分数与人口统计学变量的独立性之下，如果人口统计学变量对原始分值的影响（在健康人群中）与它对疾病风险的影响（在给定分值条件下）是共单调的，则原始分值表现更佳。
OASIS-3 应用：
- 准确性： 非参数估计的优越性边界 $\tau(t)$ 在大多数阈值下均为正值，尽管置信区间较宽。然而，参数分析（假设采用层次线性模型）强烈拒绝了非优越性的原假设（ $p < 0.05$ ），提供了统计学证据，证明在所有 FPR 下，原始 MMSE 分值的分类准确性均高于年龄修正后的分值。
- 不敏感性： 研究拒绝了原始 MMSE 分值对年龄不敏感的假设。至关重要的是，研究发现即使是年龄修正后的分值（z-scores）在认知受损个体（ $D=1$ ）中也并不具备人口统计学不敏感性，未能实现目标人群所需的公平性属性。

意义与主张
作者声称，通过建立原始分值在无需依赖限制性数据生成模型的情况下，在分类准确性上可以具有理论和经验上的优越性，从而为关于人口统计学修正的辩论带来了清晰度。他们认为，“修正即公平”的直觉是错误的，因为标准的修正并不能确保决策过程中的人口统计学不敏感性，特别是对于患有该疾病的人群。

论文得出结论，虽然人口统计学修正可能会使不同群体间的假阳性率趋于一致，但当人口统计学是该疾病的强风险因素时，它们可能会损害筛查测试的整体诊断效用。作者强调，他们的发现广泛适用于使用人口统计学修正的健康科学领域（如肾功能、肺功能、神经系统诊断等），这表明在准确性与感知公平性之间进行权衡时，需要进行仔细的、针对具体情境的评估，而非盲目应用修正。

两种方法：原始分数 vs. “让步”系统

重大发现：“让步”反而会损害准确性

“公平性”之争：让步系统更公平吗？

现实世界的测试：OASIS-3 研究

核心结论

类似论文