M1-057M1: 数学与统计基础因果推断Easy
⚡闪卡盲测➔掌握度:

解释混淆变量、中介变量与对撞变量,以及各自该不该控制。

🎯 深度面试自测闭环(先口述或草拟,再核对解析)
免登录记录进度:核心结论回忆 → 避坑清单自查 → 标记掌握或加入错题队列。
Step 1 · 尝试用 1–2 句话回答这道题的核心结论与适用边界
Step 2 · 勾选已覆盖的陷阱与追问思考
下一题: M1-058 →
📐 核心数学机理公式
confounder:X→T, X→Y;collider:T→X←Y\text{confounder}: X\to T,\ X\to Y;\quad \text{collider}: T\to X\leftarrow Y
⚡ 一句话直击要害答案
混淆需控制(否则有偏);中介不应控制(会屏蔽效应);对撞控制会引入选择偏差。

📌 核心要点提炼

  • •
    用 DAG 判断该控制什么(后门准则)
  • •
    对撞偏差 = 条件化后制造出虚假相关(Berkson 悖论)

📐 数学机理与严密推导

三类变量按 DAG 结构区分,控制策略完全相反:① 混淆变量(confounder)——同时影响处理 T 与结果 Y(X→T, X→Y),产生伪相关。必须控制,否则把 X 的效应误归给 T。后门准则给出系统判据:控制所有'从 T 到 Y 的后门路径'上的变量。② 中介变量(mediator)——位于因果链中间(T→M→Y),承载部分因果效应。不应控制:控制它会阻断该路径,得到的是'直接效应'而非'总效应',从而低估总效应。若研究目的就是分解直接/间接效应,则需专门的中介分析而非简单控制。③ 对撞变量(collider)——同时被 T 与 Y 影响(T→C←Y)。不应控制:控制它会在 T 与 Y 之间制造虚假关联(对撞偏差 / collider bias / Berkson 悖论)。经典例子:录取 C 由天赋 X 与努力 Y 共同决定(X→C←Y),在录取者中控制 C 会得到'天赋与努力负相关'的虚假结论。

🏭 深度剖析与工业落地权衡

实践要点:① 先画 DAG 再决定控制什么——这是避免错误控制的最有效方法;仅凭'相关性'或'常识'选控制变量极易犯两类错误(漏控混淆、误控对撞)。② 中介分析的三种效应——总效应(不控制 M)、直接效应(控制 M)、间接效应(总−直接);近年因果推断强调不要对中介做条件化,而应用 mediation analysis 或 path-specific effects。③ 对撞偏差的隐蔽性——它常在'看起来合理'的控制中发生,如按'是否住院'分层研究疾病(住院是疾病与就医行为的对撞)、按'是否点击'分层分析广告效果(点击是广告与用户兴趣的对撞)。④ M-bias 与工具变量——更复杂的情形是变量同时是混淆与对撞(M-bias),或存在未观测混淆时需用工具变量/断点回归等设计。
⚠️ 常见面试陷阱与高频失分点
  • ✕
    为了'控制得更多'而误控对撞变量
  • ✕
    控制中介后把直接效应当总效应报告
🎯 面试官连环追问与延伸考察
  • ?
    为什么控制中介会低估总效应?
  • ?
    对撞偏差的经典例子?(天赋→录取←努力)
⚡
想检验本题的肌肉记忆?进入 3 阶闪卡主动回忆盲测
隐藏答案遮罩,自测:审题锚点 ➔ 数理公式机理 ➔ 工业标杆代码与连环追问。3 分钟攻破认知盲区!
🎯 立即在闪卡中盲测此题➔
📚

关联知识库专题与交互式导图

← 上一题M1-056: 定义因果效应与潜在结果框架(Rubin causal model)。📋 返回题库下一题 →M1-058: 解释倾向得分匹配(PSM)与逆概率加权(IPW)。