Epidemiology

核心概念

三大研究设计：

• 队列研究（Cohort）：前瞻性追踪。按暴露分组（吸烟/不吸烟），追踪结局（肺癌），可计算相对风险（RR）。优点是时序清晰，缺点是耗时昂贵、对罕见结局不友好。
• 病例对照研究（Case-control）：回顾性比较。按结局分组（肺癌/无肺癌），回溯暴露，用优势比（OR）估计关联。高效省时，但易受回忆偏倚影响。
• RCT（随机对照试验）：随机分配暴露，主动控制干预。通过随机化平衡已知与未知混杂，是因果推断的金标准。

混杂变量：同时影响暴露与结局的第三变量，制造伪关联。如「咖啡饮用者肺癌多」——混杂变量是吸烟（咖啡饮用者更可能吸烟）。

辛普森悖论：分组看趋势与整体看趋势相反。某医院整体死亡率高于 B 院，但分病情轻重看，A 院各亚组死亡率都更低——因为 A 院接收的重病人比例高。

医学直觉

方法的选择由问题决定：研究「罕见病的危险因素」用病例对照（高效）；研究「常见结局的长期暴露」用队列（时序清晰）；研究「干预是否有效」用 RCT（因果最强）。

混杂是观察性研究的命门。判断一个观察性结论是否可信，问三件事：(1) 是否测量了主要混杂？(2) 是否做了统计调整？(3) 调整是否充分？即便如此，未测量的混杂仍是悬顶之剑——这是流行病学家的谦卑。

跨学科迁移

Observational vs Experimental 数据：商业分析 80% 是观察性的（用户行为数据天然非随机）。「重度用户留存高」可能是因果（产品真有效），也可能是选择（本身就忠诚的人更易变重度）——典型的健康用户偏倚。

A/B 测试就是 RCT：随机分流 → 控制干预 → 比较结局。RCT 的所有纪律都适用：样本量计算、意向性分析、防止沾染、预注册假设。A/B 测试失败常见原因之一是「看一眼就停」——等同于未做多重比较校正的 interim analysis。

混杂变量陷阱：「使用高级功能的用户付费转化高」未必是功能驱动转化——可能是高意向用户既爱用功能又爱付费。混杂未识别则误判产品价值，投入资源优化「高级功能」反而无效。

辛普森悖论在商业：渠道 A 整体转化率高于 B，但分设备看 B 在每个设备都更优——因为 A 主要在桌面端（高转化），B 主要在移动端（低转化）。整体数据会撒谎，分层分析是解药。

练习题

单选：研究「手机使用与近视」的关联，下列设计因果性最强的是？ A. 比较近视与非近视儿童的手机使用时长（病例对照） B. 追踪 1000 名儿童从出生到 12 岁的手机使用与近视发生（队列） C. 随机分配儿童使用/不使用手机数年（RCT） D. 调查 10 所学校的手机使用率与近视率相关性

案例题：电商数据显示「领券用户转化率比未领券用户高 30%」。请列出至少 3 个可能的混杂变量，并设计一种「准实验」方法（如倾向分匹配）来逼近因果判断。

反事实题：若辛普森悖论出现——分渠道看 A 都优于 B，整体看 B 优于 A——决策者应基于哪个数据做渠道选择？为什么？什么情境下整体数据反而是对的？