4.6 敏感性分析与稳健推断

4.6 敏感性分析与稳健推断

本节摘要：敏感性分析回答"未测混杂要强到什么程度才能推翻当前结论"，把不可检验的无混杂假设转化为可量化的稳健性陈述。本节讲 E-value 的定义与计算、Rosenbaum 敏感性框架在匹配设计上的用法、负控与安慰剂检验两类稳健性证据，以及推断中的多重比较与聚类问题。

把"怕混杂"变成一个数

前几节的方法都建立在某条不可检验假设上（无未测混杂、工具排他性、断点连续性）。传统做法是论文结尾一句"残余混杂可能存在"——这句话信息量为零。敏感性分析的立场相反：假设不一定对，那就问它得多不对才翻案。

E-value（VanderWeele 与 Ding，2017）针对"处理与结果的风险比 RR"类估计。定义：能把观察到的 RR 压缩到无效线（或可信区间边界）所需的未测混杂与处理、与结果之间风险比的最小几何均值：

E-value = RR + √(RR·(RR−1))　（RR>1 时；RR<1 先取倒数）

含义直白：存在一个未测混杂 U，它与处理的风险比、与结果的风险比同时达到 E-value 这个水平且方向相反，才能把效应完全解释掉。E-value 越大，结论越抗打。

图：E-value 曲线与结论稳健性

计算示例压一遍：某观察研究报告咖啡与肝癌 RR = 0.8（保护）。取倒数 1.25，E-value = 1.25 + √(1.25×0.25) ≈ 1.81。解读：需要一个未测混杂，与饮咖啡的风险比、与肝癌的风险比都达到约 1.8 且方向恰好，才能抹掉这个保护效应。已知混杂里找得到这种量级的候选吗？——比如重度饮酒/肝炎感染与肝癌的关联确实能达到，而它们与咖啡饮用也存在社会性关联。于是结论被标注为"中等脆弱"。这就是敏感性分析的正确用法：不判死刑，标出翻案所需的"价码"，再用领域知识评估这个价码是否现实。

Rosenbaum 框架：匹配设计的 Γ 检验

配对研究中，Rosenbaum 敏感性分析引入参数 Γ：设未测混杂使匹配对内个体接受处理的几率比最多偏离 Γ 倍。Γ=1 即无混杂；逐步放大 Γ，观察结论的显著性在哪个 Γ 值上失守。若 Γ=1.3 就失守，结论极脆弱；撑到 Γ=2 仍然显著的结论相当稳固。这个框架与 Wilcoxon 符号秩检验结合，输出每个 Γ 下的 p 值区间上限，是医学配对研究的标配报告项。

稳健性证据的另两类来源

负控（negative control）。负控结局：一个不受处理影响但共享混杂路径的结果（如"开药处方"对"下周车祸发生率"）。若主分析显示处理降低车祸率，几乎必是混杂（适应症混淆的通道同样会污染主结果）。负控暴露：一个不可能因果影响结果、但与可疑混杂相关的暴露，同样用于暴露混杂通道。负控的发现价值在于：它把"有没有混杂"这个不可检验问题，转换成"混杂通道在这个可测位置有没有显形"的检验。

安慰剂检验。随机化实验中的安慰剂组自不必说；观察性研究里对应的做法是"假处理检验"：把处理时间点前移（处理发生前不应有效应）、或对已知不受影响的子群重复分析（RDD 里对前测协变量做断点估计应得零跳跃）。DoWhy 的 refute_estimations 接口把这些做成了可自动化的流水线（第 8.2 节）。

推断层面的稳健性

敏感性之外，稳健推断还有两个常规工事。多重比较：亚组分析或多个结局指标同时检验时，假阳性膨胀；预注册主结局、亚组仅作探索性报告、或用 Bonferroni/BH 校正。聚类结构：个体结果在同一学校/医院/平台账户内相关时，个体级标准误低估不确定性，必须按聚类稳健标准误或分层模型处理——忽略聚类是应用文献里最常见的"显著性幻觉"来源。这两个问题与因果识别正交，但同样能把结论毁掉，放在本节一并交代。

FAQ 与操作模板

问题：E-value 报告哪个版本？

报两个：对点估计的 E-value 与对置信区间下界的 E-value。后者回答"多强的混杂能把统计显著性也抹掉"，通常比前者小很多，两者并列才完整。效应 RR=1.5 时点估计 E=2.37，若置信区间下界 1.1，其 E 值约 1.25——显著性层面的稳健性远弱于点估计层面。

问题：敏感性分析与负控结论冲突怎么解读？

负控显形（假处理显著）说明混杂通道确实在工作，此时主效应必须打折并指出方向；若 E-value 又很大（翻案需要不现实的混杂强度），两证据矛盾提示负控通道可能有自己的特殊机制（负控结局与混杂的关联强于主结局）。矛盾本身是信息：逐项排查两个工具各自的假设，比简单二选一诚实。

问题：给非技术决策者怎么讲敏感性？**用"翻案价码"的比喻框架：结论像一桩案子，敏感性分析给出"推翻它需要多大的新证据"。价码低（E-value 1.3）的结论只能当线索；价码高（3 以上）的可以当证据。决策者不需要懂几何均值，但懂"价码"。

敏感性分析的报告模板

一段可直接套用的报告格式："主效应估计为 RR=0.72（95%CI 0.61-0.85）。点估计的 E-value 为 2.05，置信区间下界对应 1.42。即需要一个未测混杂，其与暴露、与结局的风险比都至少达到 2.05 且方向相反，才能完全解释观察到的保护效应；把显著性抹掉所需的强度为 1.42。已知候选混杂中，吸烟与结局的风险比约 1.8、与暴露的关联约 1.3，几何均值 1.53，低于点估计 E-value 但高于显著性 E-value——结论对'中等强度未测混杂'稳健，对'吸烟级别强混杂'部分敏感。另附安慰剂检验（假处理 p=0.41）与子集重估（效应区间 0.68-0.76）。"这段模板把数字、对照候选、稳健性分级写全，可直接放进任何报告的敏感性小节。

本节要点回顾

• 敏感性分析的立场：不假设无混杂为真，而量化推翻结论所需的混杂强度。
• E-value：RR+√(RR(RR−1))；值越大越抗打；解读要接领域知识评估候选混杂的量级。
• Rosenbaum Γ：匹配设计里逐级放大混杂，报告结论失守的 Γ 门槛。
• 负控与安慰剂：把不可检验的混杂问题换到可测位置显形；处理前移、假子群是廉价标配。
• 推断工事：多重比较校正与聚类稳健标准误，与识别问题正交但同样致命。