為什麼不能只靠統計相關性選擇控制變數？
DAG 一畫就知道

幾乎每一位從事觀察性研究的醫學研究者，都曾在分析計畫的擬定階段遭遇同一個問題：「這個變數，究竟該不該放進模型？」當資料中可用的變數數以十計，而每一個變數又都看似與結果（Outcome）有那麼一點關聯時，研究者往往訴諸最直覺、最廣為流傳的策略──看單變項分析的相關性、看 p 值、執行一輪逐步回歸（Stepwise Regression），或乾脆引用「文獻上大家都這樣放」作為判準。此套作法在學術期刊中如此普遍，以致幾乎已成為一種隱性的方法學規範。

然而，此套規範背後其實隱藏著一個未被檢驗的前提：變數與結果之間「有相關」就等於「應該被控制」。此一前提乍看合理，實際上卻是一個危險的心智模型。它把統計層次的關聯（Association）與因果層次的調整需求混為一談，從而讓研究者在尚未釐清因果結構的情況下，就匆忙地以統計工具去回答因果問題。換言之，研究者所操作的，是一場以統計表現為依據、卻冠上因果語言的推論遊戲。

因果結構之中，某一個變數可能扮演的角色不只一種。首先，它可能是干擾因子（Confounder），亦即同時影響暴露（Exposure）與結果的共同原因，此類變數若不調整，將導致估計值偏移。其次，它可能是中介變數（Mediator），位於暴露對結果的因果路徑之上，代表著暴露之所以會影響結果的中介機制。再者，它可能是碰撞因子（Collider），亦即由兩個或多個變數共同影響的「下游節點」，此類變數一旦被條件化，將打開原本不存在的非因果關聯。最後，它也可能只是某個變數的後代節點（Descendant），亦即某真實因果節點的下游量測代理變數，其控制效果取決於它所代表的母節點。

此四種角色在統計表現上，往往看不出明顯差別。它們可能都與結果有相關，也都可能在單變項分析中顯著。然而，從因果推論的角度來看，它們對應到的處理策略卻是截然不同──有些必須調整，有些絕對不能調整，有些則必須先釐清研究問題本身才能決定。若研究者僅以相關性作為篩選依據，結果便可能是漏掉真正該調整的干擾因子、誤調整中介或碰撞因子、打開原本關閉的偏差路徑，並讓估計值「更偏，而不是更準」。

傳統觀察性研究中所採用的變數選擇策略，大致可歸納為四種典型路徑：其一，以單變項分析的顯著性為門檻；其二，以「換入或移除某變數後估計值改變超過 10%」作為干擾因子的判準；其三，藉逐步回歸自動篩選變數；其四，直接沿用前人文獻中常見的調整變數清單。此四種策略在當代統計教學中仍被廣泛傳授，並被許多臨床期刊視為合理的方法學標準。然而，過去二十年的方法學文獻已逐步指出，此等策略之共同問題在於──它們處理的全部是「統計關聯」此一層次的問題，卻被誤用以回答「因果效應」此一層次的問題。

Shrier 與 Platt 在其 2008 年發表於《BMC Medical Research Methodology》的方法學論文中，對此一錯置問題提出極具份量的警告：

此一論點的核心，並非否定所有干擾因子的調整，而是揭示一個更為基本的事實：傳統的調整方法之所以可能製造而非減少偏差，正是因為它將判斷依據建立在統計關係之上，而非建立在變數於因果結構中所扮演的角色之上。當研究者僅以「看到相關就調整」、「納入模型讓統計自行篩選」、「只要與結果有關就先放」等策略行事時，他所引入的不是干擾的去除，而是 Shrier 與 Platt 所稱的「條件化關聯（Conditional Association）」──亦即一種因為錯誤條件化所產生、原本並不存在的虛假關聯。

值得注意的是，Shrier 與 Platt 在同一篇論文中進一步明確界定生物醫學研究的核心目標，並以此區辨統計問題與因果問題之根本分野：

此處的關鍵在於：絕大多數生物醫學研究真正想回答的，並非「在資料中，X 與 Y 是否有統計相關」此類描述性問題，而是「如果暴露 X 改變，結果 Y 會如何變化」此一因果問題。前者屬於統計學的範疇，後者則屬於因果推論（Causal Inference）的範疇──兩者使用相似的數學工具，卻有著根本不同的判讀邏輯。當研究者以統計篩選方法去回答因果問題時，工具與目標之間的錯置便成為偏差的主要來源。

因此，若研究目標是估計暴露對結果的因果效應，變數選擇的判準便不應只看「它與結果是否相關」，而必須回到一個更根本的問題：它在因果結構中位於哪一條路徑、扮演哪一個角色？要系統化地回答此一問題，我們需要一套讓因果假設可被攤開、可被檢視、可被同儕質疑的方法論工具。而這，正是有向無環圖之所以被引入流行病學與生物統計領域的原因。

有向無環圖（Directed Acyclic Graph，DAG）為當代因果推論方法論中最具影響力的圖形語言之一。它的核心並非「將研究流程畫成漂亮的示意圖」，而是將原本只存在於研究者腦中的因果假設，以一種公開、結構化、可被同儕檢視的方式表達出來。一張 DAG 不只描繪「誰指向誰」，它同時也決定哪些路徑是因果路徑（Causal Path）、哪些是後門路徑（Back-door Path）、哪些變數一旦被條件化會打開非因果關聯，以及──最關鍵的──為了估計某個因果效應，究竟需要（或不能）調整哪些變數。

關於 DAG 方法論的本質，Shrier 與 Platt 在其論文中有一段極為精準的論述，值得完整引用：

此段論述蘊含一個深刻而往往被忽略的事實：不論研究者是否畫出 DAG，只要他在執行回歸、配對、傾向分數或分層分析，他就已經默默地在使用某一套因果結構假設。換言之，因果假設並非「畫了 DAG 之後才存在」，而是任何因果性聲稱所必然蘊含的前提。研究者選擇不畫 DAG，並非「擺脫了假設」，而是讓那些假設停留在隱性、未被檢驗、不可挑戰的狀態。

DAG 方法論真正的價值，因此並不在於它提供某種「更正確的答案」，而在於它強迫研究者把假設攤開來。一旦因果結構被明確繪製，研究者便能依據圖形拓撲規則（如後門準則 Backdoor Criterion）系統化地判斷：為了估計暴露 X 對結果 Y 的因果效應，哪些路徑必須被關閉、哪些路徑絕對不能關閉、哪一個變數集合構成最小充分調整集（Minimal Sufficient Adjustment Set）。此套判斷不再依賴研究者的個人經驗，也不再受制於統計篩選方法的隨機性，而是奠基於明確、可被質疑、可被修改的因果假設之上。

總而言之，DAG 與傳統統計調整策略之根本差異，在於兩者所處理的問題層次完全不同。傳統策略試圖回答「在資料中，加上此一變數後 R² 增加多少、估計值改變多少」；DAG 方法論則回答「依據我所繪製的因果結構，特定變數是否會打開或關閉某條路徑」。前者是描述性的，後者是結構性的；前者由資料驅動（Data-driven），後者由假設驅動（Hypothesis-driven）；前者輸出的是統計指標，後者輸出的是調整集合（Adjustment Set）。理解兩者間處理的層次差異，為進入 DAG 方法論的第一道門檻，也是判讀後續所有變數選擇爭議的基礎。

在實務研究中，變數選擇的失誤雖然形式多樣，卻往往可歸納為三類最具代表性的情境。第一類，是研究者把「對結果具有強預測力」的變數，直接等同於「應該被控制的變數」；第二類，是研究者調整了一個碰撞因子，從而打開了原本並不存在的非因果關聯路徑；第三類，則是研究者在估計總效果時，誤將位於因果路徑上的中介變數納入模型，導致回答的問題已經偏離原本的研究設定。以下分別說明此三類誤用情境之內在邏輯與其在因果結構上的根源。

情境 4.1｜把「預測重要」誤當成「應該控制」

第一類誤用發生於研究者面對「看似很重要」的變數時。在臨床研究中，某些變數──例如疾病史、檢驗指標、疾病嚴重度評分──確實在單變項分析中與結果高度相關，並在預測模型中具有不容忽視的解釋力。研究者於是憑直覺認為：「既然它這麼重要，就應該放進模型控制。」然而，此一直覺混淆兩個本質不同的問題──「預測」與「因果」。

所謂高預測力，意味著該變數的數值能夠協助我們在已知資料中推估結果的可能值。但這並不等同於該變數位於暴露對結果的因果路徑之外、且為兩者的共同原因。事實上，一個與結果高度相關的變數，可能是暴露對結果之中介機制的下游量測；可能是某個碰撞因子的後代節點；也可能是研究選擇機制（如住院、轉診、或某種篩檢）所產生的條件化節點。在此等情境下，將其納入模型非但無助於減少偏差，反而可能引入額外的條件化關聯。

上述情境之根本啟示在於：預測建模（Predictive Modeling）與因果效果估計（Causal Effect Estimation）所遵循的變數選擇邏輯，本質上是兩種不同的工作。前者追求模型在驗證資料上的預測準確度，因此鼓勵納入所有與結果有關的變數；後者追求暴露對結果之因果效應的無偏估計（Unbiased Estimate），因此必須依據因果結構而非統計表現來決定變數。若研究目的是因果推論，卻沿用預測建模的變數選擇思維，等同於用錯誤的工具去做對的事情。

情境 4.2｜調整碰撞因子，打開假路徑

第二類誤用涉及碰撞因子（Collider）──此為 DAG 方法論中最具教學價值、也最容易被傳統統計訓練忽略的一類變數。所謂碰撞因子，係指一個變數是兩個（或多個）變數的共同結果（Common Effect）。以最簡單的三節點結構為例：當 X 與 U 各自指向 C（亦即 X → C ← U）,C 即為 X 與 U 的碰撞因子。在此一結構之下，若我們不對 C 做任何條件化，X 與 U 之間的路徑是「關閉的」──兩者並無非因果關聯。

然而，一旦研究者透過迴歸調整、分層，或匹配等方式，將 C 條件化（亦即「控制」C），原本封閉的 X ↔ U 路徑就會被「打開」，使得 X 與 U 之間在條件化後出現一種原本並不存在的非因果關聯。Feeney、Hartwig 與 Davies 在其 2025 年發表於《BMJ》的臨床研究指引中，對碰撞因子提出精準而具操作意義的定義：

此一定義之所以重要，在於它將「條件化會發生什麼事」此一問題從直覺層次提升到方法論層次。傳統訓練告訴研究者「相關就調整」，但 DAG 方法論告訴我們：對於一個與暴露及未量測干擾源有共同結果關係的變數，調整它非但不會減少偏差，反而會在原本無關的兩個變數之間製造出一條虛假的關聯路徑。此即所謂的「碰撞偏差（Collider Bias）」，也是當代流行病學中最常被援引的一類選擇偏差來源。

下方兩張 DAG 圖以最簡明的方式對比「未控制 C」與「控制 C」的差異：

情境 4.3｜調整中介變數，改變研究問題

第三類誤用涉及中介變數（Mediator），亦即位於暴露對結果之因果路徑上的中間節點。中介變數所代表的，正是暴露之所以能夠影響結果的「機制」──例如肥胖之所以提升死亡風險，可能透過代謝異常、慢性發炎、心血管事件等中介機制逐步傳遞其因果效應。在此類研究中，中介變數既與暴露高度相關，也與結果高度相關，因此在統計篩選方法之下，它幾乎必然會被選入模型。然而，將中介變數放入模型，究竟是減少了偏差、還是改變了問題本身，卻取決於研究者真正想回答的因果效應類型。

關於此一要點，Shrier 與 Platt 提供了一段方法論上極為清楚的論述：

此段論述的精妙之處，在於它將中介變數的「該不該調整」問題，轉化為「研究問題本身是什麼」的問題。如果研究者想估計的是總效果（Total Effect）──亦即暴露透過所有可能管道對結果產生的整體影響──那麼任何中介變數都不應被納入模型，因為將中介條件化等同於「拿掉了暴露之所以會影響結果的部分機制」，所得到的估計值便不再是總效果。反之，若研究者所關注的是直接效果（Direct Effect）──亦即暴露不經過某些特定中介機制所產生的影響──那麼針對該中介的條件化，反而是回答此問題的必要手段。

換言之，中介變數的處理並無絕對的「對」或「錯」，只有「與研究問題是否相符」此一判準。當研究者在報告中宣稱估計「肥胖對死亡的影響」時，他必須清楚地告訴讀者：此一「影響」是包含所有中介機制的總效果，還是排除特定中介之後的直接效果？兩者具有截然不同的因果意義，而能夠協助研究者在分析之前做出此項判斷的工具，正是 DAG。

回顧本文的論證脈絡，我們可以看出一個一以貫之的核心主張：觀察性研究中之變數選擇問題，本質上不是統計問題，而是因果問題。當研究者意識到此一要點之後，許多原本看似「該找更進階統計方法解決」之困境，其實都可以被重新定位為「該先把因果結構釐清」之方法學前置工作。換言之，許多分析上的困擾，並非出在估計工具不夠精巧，而是出在因果邏輯尚未先行被攤開、被檢視、被同儕質疑。

有向無環圖並非萬靈丹，它無法替研究者決定哪一個因果結構才是「真正正確」的。事實上，一張 DAG 的價值，並不取決於它是否「畫對了」，而取決於它是否將所有研究者所依賴的假設，以一種公開、結構化、可被同儕修改的方式呈現出來。研究團隊可以對同一個研究問題畫出多張 DAG，反映不同的理論立場或文獻證據；他們也可以在同行審查中根據新的證據修改 DAG。重要的是，所有的調整與爭辯都發生在因果結構此一層次，而不再被混雜進「哪個變數的 p 值較低」此類無關之統計判準之中。

對於從事臨床研究、流行病學研究或統計顧問實務的工作者而言，熟練 DAG 方法論並非一項額外的技能，而是一項基本的方法學素養。它讓我們能夠在分析啟動之前，就先回答最關鍵的問題──「我究竟想估計的是什麼？為了估計此一量，我必須調整哪些變數？哪些變數又絕對不能調整？」唯有先回答此等因果層次的問題，後續的統計分析才能真正地服務於研究目標，而非讓研究目標被工具反過來牽著走。