Chapter_9

### Chapter 9: MEASUREMENT BIAS AND "NONCAUSAL" DIAGRAMS

9.1 Measurement error

技术重点（Technical Points）：

• 核心理论：测量偏倚（measurement bias）发生在治疗（A）或结局（Y）的测量存在误差时，导致观测到的关联（A*-Y*）偏离真实因果效应（A-Y）。
• 关键概念：
  • 真实治疗（A）与测量治疗（A）的区别：A是A的含误差版本（如医疗记录中的药物使用信息）。
  • 测量误差来源：UA（影响A的因素，如转录错误、回忆偏差）和UY（影响Y的因素）。
• 应用场景：随机试验或观察性研究中，当A或Y存在误分类（misclassification）时，即使无混杂或选择偏倚，A*-Y*关联仍不等于因果效应。

细节要点（Fine Points）：

• 案例分析：降胆固醇药物（A）对肝病（Y）的研究中，若A通过医疗记录获取（A），则A ≠ A。
• 辅助信息：因果图（Figure 9.1）显示A同时影响Y和A，UA独立作用于A。
• 相关背景：心理学文献称A为"构念"（construct），A*为"测量指标"（indicator）。

---

9.2 The structure of measurement error

技术重点（Technical Points）：

• 核心理论：测量误差按独立性（independent/dependent）和非差异性（nondifferential/differential）分类：
  • 独立性：UA与UY无关联（Figure 9.2）。
  • 非差异性：UA的分布独立于Y，UY的分布独立于A（Technical Point 9.1）。
• 关键公式：
  • 测量误差定义：$e_A = A^* - A$，$e_Y = Y^* - Y$。
  • 独立性与非差异性条件：
    • 独立性：$f(e_Y, e_A) = f(e_Y)f(e_A)$
    • 非差异性：$f(e_A|Y) = f(e_A)$ 或 $f(e_Y|A) = f(e_Y)$。
• 重要概念：
  • 回忆偏倚（recall bias）：结局Y影响治疗测量A*（如痴呆患者回忆药物使用错误，Figure 9.4）。
  • 反向因果偏倚（reverse causation bias）：Y影响A*的测量时机（如肝毒性影响血药浓度检测）。

细节要点（Fine Points）：

• 分类示例：
  • 独立非差异（Figure 9.2）：电子病历随机错误。
  • 依赖非差异（Figure 9.3）：电话回顾访谈中回忆能力（UAY）同时影响A和Y。
  • 独立差异（Figures 9.4–9.5）：治疗影响结局监测强度（如医生更密切监测服药者）。
  • 依赖差异（Figures 9.6–9.7）：上述组合。
• 辅助信息：误差结构决定校正方法（如独立非差异误差可用验证样本校正）。

---

9.3 Mismeasured confounders and colliders

技术重点（Technical Points）：

• 核心理论：混杂因子（L）的测量误差（L*）导致偏倚，即使A和Y测量完美。
• 关键概念：
  • 后门路径（backdoor path）如A←L→Y无法通过L*阻断（Figure 9.8）。
  • 伪效应修饰（apparent effect modification）：L*分层分析中，因L误测导致虚假效应异质性。
• 应用场景：肝炎病史（L）误测时，标准化风险比 ≠ 因果风险比。

细节要点（Fine Points）：

• 案例分析：
  • 所有L*=1者真实L=1，但L*=0者混合L=1/L=0。当A对Y无效应时：
    • L*=1层无混杂（A-Y关联为null）。
    • L*=0层存在混杂（A-Y关联非null），误判L*为效应修饰因子。
  • 碰撞子（collider）误测（C*）引入选择偏倚（Figure 9.10）。
• 例外情况（Fine Point 9.2）：
  • 当决策仅基于L（如血压测量值）时，调整L可完全阻断混杂（Figure 9.11）。

---

9.4 Causal diagrams without mismeasured variables?

技术重点（Technical Points）：

• 核心理论：忽略测量误差的因果图是简化近似，需分步处理：先解决混杂/选择偏倚，再考虑测量偏倚。
• 重要概念：若测量误差较小，可省略真实/测量变量区分以简化图结构。

细节要点（Fine Points）：

• 局限性：混杂/选择偏倚在测量误差下通常仍存在（Fine Point 9.2例外）。
• 实践建议：优先绘制无测量误差的因果图，再添加误差层。

---

9.5 Many proposed diagrams include noncausal arrows

技术重点（Technical Points）：

• 核心理论：因果图中箭头需对应明确定义的干预（well-defined interventions）。若变量（如肥胖L）无法明确定义干预（如"降低BMI"），则L→Y箭头无因果解释。
• 关键概念：
  • "非因果"图（"noncausal" diagram）：含无法干预的箭头（如Figure 9.13的L→Y）。
  • 修正方法：引入隐变量H（如遗传因素）作为L和Y的共同原因（Figure 9.14）。

细节要点（Fine Points）：

• 案例分析：COVID-19抗病毒治疗（A）、死亡（Y）、肥胖（L）研究中：
  • Figure 9.13（非因果）：L→Y箭头无效（因无法干预L对Y的影响）。
  • Figure 9.14（因果）：H→L和H→Y箭头有效（假设H可干预）。
• 技术细节（Fine Point 9.3）：干预定义依赖具体变量（如L的"记录值"L*可干预，但"体重"本身不可）。

---

9.6 Does it matter that many proposed diagrams include noncausal arrows?

技术重点（Technical Points）：

• 核心理论：非因果图可能给出正确识别公式（如Figure 9.13与Figure 9.14均需调整L），但存在误导风险。
• 关键概念：若测量变量为混杂因子代理（surrogate confounder），非因果图（Figure 9.15）可能错误推断"调整L足够"，而因果图（Figure 9.16）显示未测H导致混杂残留。

细节要点（Fine Points）：

• 风险案例（Figure 9.17→9.18）：
  • 非因果图（Figure 9.17）：误判L可阻断所有后门路径。
  • 因果图（Figure 9.18）：添加H后，路径A←U→H→Y无法阻断。
• 结论：箭头需严格对应科学共识下的"充分定义干预"，避免盲目接受非因果图。

---

逻辑关联：本章扩展前几章（如第7-8章混杂/选择偏倚）的框架，强调测量误差和因果图箭头的解释问题，为后续因果推断方法提供完整性保障。