聊一聊变量筛选

在使用观察性研究数据(例如，队列研究、医院电子病例系统数据)进行相关性分析或因果推断时，常常面临一个重要问题：变量的筛选。绝大部分人会用以下错误的方式：逐一将单个变量放入回归，看单个变量是否有统计学意义；有意义的就筛选出来当作混杂因素，进一步进行多变量回归。当然也有稍微有点点水平的，不看p值，或者弱化p < 0.05这个条件。更有一拨人，觉得自己很牛逼，网上复制一堆代码，用什么机器学习、深度学习，神经网络这种高逼格词汇包装一下，用上述换汤不换药的方式去筛选变量，然后洋洋自得。显然一副无知者无畏的境界。

以上的方式都是错误的。很难想象这种错误的做法被那么多人所使用。如果让Greenland Sander知道了，估计会怼死那些传播这种错误方式的人。什么是混杂因素？混杂因素是指既跟暴露/干预有关、又跟结局有关的那些变量。我们假设A为暴露，D为结局。B作为潜在变量。如果A可以导致B的发生，而B又可以导致D的发生，我们可以将B视为混杂因素。否则，B就不能作为混杂因素，这时就不能放入回归模型，或者说这个时候放入回归模型毫无意义。

那么到底怎么筛选变量？请记住，只有一种方法: 因果分析路径。只要我们找出了到底哪些变量是混杂因素，这些变量就是我们要筛选的变量。其中一种在国外被广泛使用的方法是Directed acyclic graph（DAG）路径图。下图为图例。该路径图以不同颜色区别变量标签（各位自行去探讨），同时以箭头去指示变量间的关系。根据作者建立的网络关系图，识别真正的混杂因素。

以吸烟与高血压作为示例。假设我们有如下变量：年龄，性别，地区，饮酒历史，学历，家庭社会经济状况，糖尿病史，乙肝病史，其他心血管疾病史，手术史，家族高血压史，红细胞浓度，血糖水平，尿蛋白水平，日均尿量。哪些变量是真正的混杂？我们可以建立如下关系（以下“→”表示生物学有关，“||”表示生物学无关），仅作示例，更具体的联系需要不同领域专家讨论：

1. 年龄→吸烟；年龄→高血压；
2. 性别||吸烟；性别||高血压；
3. 地区||吸烟；地区||高血压；
4. 吸烟||饮酒；饮酒→高血压；
5. 性别→饮酒；
6. 地区→饮酒；
   
7. 学历→吸烟？学历||高血压；
8. 家庭社会经济状况→吸烟；家庭社会经济状况→高血压；
9. 家庭社会经济状况→学历；
10. 地区→家庭社会经济状况；
    
11. 糖尿病史||吸烟；糖尿病史||高血压；
12. 糖尿病史→血糖水平；
    
13. 乙肝||吸烟；乙肝||高血压；
14. 吸烟→其他心血管疾病；其他心血管疾病→高血压；
15. 家庭社会经济状况→其他心血管疾病；
    
16. 既往手术史||吸烟；既往手术史||高血压；
17. 家族高血压史||吸烟；家族高血压史→高血压；
18. 家族高血压史→其他心血管疾病；
    
19. 吸烟→红细胞浓度；红细胞浓度||高血压；
20. 年龄→红细胞浓度；
21. 性别→红细胞浓度；
    
22. 血糖水平||吸烟；血糖水平||高血压；
23. 血糖水平→尿蛋白；
24. 血糖水平→日均尿量；
    
25. 尿蛋白||吸烟；高血压→尿蛋白；
26. 饮酒→尿蛋白；
    
27. 日均尿量||吸烟；高血压→日均尿量；

根据上述关系，我们可以建立清晰的DAG路径，包括各种变量间的关系。根据这些关系，就可以清晰的知道需要校正的变量包括哪些（下图右上角）：其他血管疾病，学历，家庭社会经济状况，家族高血压史，年龄。

剩下的一些未被确定为混杂因素的变量怎么处理？交互作用（亚组分析），或者effect modification。例如，看看性别或日均尿量是否增强或减弱吸烟与高血压的效应。此时更要注意因果关系还是相关关系。最后，各位没事就要多读书，多读经典文献，不要瞎看（特别是那些网络视频、网络帖子，低质量中文文献），更不要盲目跟风。祝各位研究顺利。