本页目录
循证 III · 偏倚目录
偏倚是系统性误差，不会因样本量增大而消失——这是它与随机误差的根本区别，也是"大数据不能解决因果问题"的一句话总结。本页把临床研究中反复出现的偏倚整理成可检索的目录，并对每一条给出识别信号。
1. 三大类
选择偏倚（谁进入了研究/谁被比较）、信息偏倚（怎么测量的）、混杂（第三因素同时影响暴露与结局）。外加一类近年才被系统化的：与时间处理有关的偏倚。
2. 选择偏倚
| 名称 | 机制 | 识别信号 |
|---|---|---|
| 健康使用者偏倚 | 采用预防措施者本身更健康 | 观察性研究中"任何预防行为都有效" |
| 健康工人效应 | 在职人群比一般人群健康 | 职业暴露研究低估危害 |
| Berkson 悖论 | 住院人群中两种病看似负相关（因为各自都增加住院概率） | 单中心住院样本 |
| 易感者耗竭（depletion of susceptibles） | 长期用药者是已耐受者 | 流行用药的"长期安全"假象 |
| 失访偏倚 | 失访与结局相关 | 失访率高且组间不均 |
| 志愿者偏倚 | 自愿参加者不同于总体 | 筛查项目的参与者 |
| 谱偏倚 | 研究人群病情谱与应用人群不同 | 诊断准确性研究（第 02 页） |
| 验证偏倚 | 只有阳性者做金标准 | 同上 |
Berkson 悖论值得展开一句，因为它极隐蔽：假设疾病 A 与疾病 B 各自独立地增加住院概率。在住院患者中，患 A 会"预测"不患 B（因为已有 A 就足以解释住院）。结果：单纯基于住院样本得出的关联可能完全是假的，甚至方向相反。🔗 这与选择性样本上的相关性估计问题同构（数学站统计线的碰撞变量 collider）。
3. 信息偏倚
| 名称 | 机制 | 对策 |
|---|---|---|
| 回忆偏倚 | 患病者更努力回忆暴露（病例对照的核心弱点） | 用客观记录（处方数据库） |
| 观察者/确认偏倚 | 判读者知道分组 | 盲法判读 |
| 诊断怀疑偏倚 | 已知暴露者被查得更仔细 | 标准化随访 |
| 错分（misclassification） | 测量不准 | 非差异性错分 → 效应向零偏（保守）；差异性错分 → 方向不可预测（危险） |
| Hawthorne 效应 | 被观察改变行为 | 对照组同等关注 |
| 社会期许偏倚 | 自报行为（吸烟、饮酒、依从）系统性美化 | 客观指标 |
"非差异性错分使效应向零偏"是一条有用的定理：如果一项研究测量粗糙但仍发现了效应，真实效应通常更大；反之，一项粗糙研究的"阴性"结果说服力很弱。
4. 混杂
定义：\(C\) 同时影响暴露 \(A\) 与结局 \(Y\)，且不在 \(A \to Y\) 的因果路径上（若在路径上，它是中介，调整它会遮蔽真实效应）。
经典例子：咖啡与肺癌的关联由吸烟混杂。
处理方法：设计阶段——随机化（最彻底）、限制、匹配；分析阶段——分层、多变量回归、倾向评分、工具变量（第 05 页）。
两条常被违反的规则：
- 不要调整中介变量（如研究肥胖对心血管的影响时调整血压——血压是机制的一部分，调整它会低估肥胖的总效应）；
- 不要调整碰撞变量（collider：被暴露与结局共同影响的变量）——调整它会凭空制造关联。这是"多放几个协变量总没坏处"这一直觉的致命反例。
残余混杂永远存在：测量误差、未测量因素、分类过粗。这就是为什么观察性研究的中等效应（RR 1.2–1.5）通常不足以支持因果结论，而 RR > 3 的稳健关联更难被残余混杂完全解释。
5. 与时间有关的偏倚（近年最常被发现的一类）
1. 不朽时间偏倚（immortal time bias）——最重要的一个。
机制：把"从时间零点到暴露开始"的这段时间错误地算给暴露组。在这段时间里，患者按定义必须存活（否则不会被归为暴露组），因此暴露组凭空获得一段"不朽时间"。
典型案例：多项观察性研究曾报告"接受某药物治疗的患者生存更好"，重新分析后发现效应大部分或全部来自不朽时间。同类结构还出现在"依从性好的患者结局更好"（包括安慰剂组的依从者也结局更好——这本身证明依从性是健康的指标而非原因）。
识别信号：暴露状态在随访开始后一段时间才确定。对策：靶试验模拟（第 05 页），把时间零点与处理策略定义清楚，或用时依协变量分析。
2. 领先时间偏倚（第 03 页）；3. 幸存者偏倚；4. 时间窗偏倚（暴露窗定义不对称）。
6. 发表与报告层面的偏倚
| 名称 | 机制 |
|---|---|
| 发表偏倚 | 阳性结果更容易发表（尤其小型研究） |
| 结局报告偏倚 | 只报告显著的终点 |
| 时滞偏倚 | 阴性结果发表更晚 |
| 语言/引用偏倚 | 阳性结果更多被引用、被译成英文 |
| 重复发表 | 同一数据多次发表 → meta 分析重复计数 |
| 资助偏倚 | 行业资助的试验更可能得出有利于资助方的结论（多项 meta 研究一致支持这一点） |
对策：强制性试验注册（ClinicalTrials.gov 等）与结果上报、发表前预注册分析计划、meta 分析中的漏斗图与统计检验（第 08 页）。注册制度确实起了作用——一项被广泛引用的分析显示，某资助机构要求注册后，心血管试验报告阳性主要结局的比例大幅下降。
7. 数据分析阶段的自由度
同一份数据，不同的合理分析选择可以得出不同结论（"研究者自由度"、"分叉路径花园"）。选择包括：结局定义、协变量集合、离群值处理、亚组划分、时间窗。
多分析者研究（同一数据交给多个独立团队分析）显示，结论的离散程度远超一般人的预期——这是复现危机在方法学上的核心发现之一（🔗 心智与证据站第 03 页给出心理学侧的完整证据）。
对策：预注册、敏感性分析（报告"如果换一种合理选择，结论会怎样"）、公开数据与代码。
8. 亚组分析：为什么它几乎总是错的
问题：亚组多 → 多重比较；亚组样本小 → 功效不足且估计不稳；事后划分的亚组容易被数据驱动。
著名的教学例子：ISIS-2 试验的作者应审稿人对亚组分析的要求，按星座划分亚组，结果显示阿司匹林对双子座与天秤座患者"无效"甚至有害，对其他星座有效。这是用一个荒谬结果来演示方法学问题的经典手法。
可信亚组效应的判据：预先设定、数量少、有先验生物学理由、交互作用检验显著（而非"一个亚组显著另一个不显著"）、在其他试验中可复现、效应量差异大。
最后一条要强调："A 组 p=0.04、B 组 p=0.09" 不构成亚组差异的证据——必须检验交互作用本身。这是医学文献中最常见的统计错误之一。
9. 一张读文献的检查表
- 随机化了吗？分配隐藏了吗？
- 盲法覆盖了谁？主要终点是否主观？
- ITT 分析吗？失访多少？
- 主要终点是预注册的那个吗？（去 ClinicalTrials.gov 对一下——这一步比想象中更常发现问题）
- 对照组是什么？
- 报告了绝对效应吗？
- 亚组结论是预设的吗？
- 谁出的钱？
- 观察性研究：暴露状态何时确定？有没有不朽时间？
参考与更新
复审记录：最后复审 2026-08-02；按六个月规则，下一次常规复审不晚于 2027-02-02。若安全信号、指南/监管更新或动态清单变化，则提前复审；具体适用地区以各条来源与当地最新版本为准。
- Cochrane Risk of Bias 2（随机试验偏倚评估；当前资源页面；国际。）
- Cochrane Handbook（系统综述与偏倚判断方法；当前版本页面；国际。）
下一页：把多项研究合起来看——系统综述、meta 分析与 GRADE 分级。