چگونه شرطی‌سازی بر معلول مشترک، همبستگی‌های کاذب می‌سازد: سوگیری برخورددهنده چیست؟

در سال ۱۹۷۹، دیوید ساکت، همه‌گیرشناس بالینی، داده‌های ۲۵۷ بیمار بستری‌شده را تحلیل کرد و به الگویی شگفت‌انگیز رسید: در میان بیماران بستری، افراد مبتلا به بیماری‌های حرکتی چهار برابر بیشتر دچار بیماری‌های تنفسی نیز بودند؛ یعنی نسبت شانس ۴.۰۶.[3]

در نگاه اول این همبستگی منطقی به‌نظر می‌رسید، چرا که محدودیت حرکتی به‌سادگی می‌تواند سلامت ریه‌ها را تضعیف کند. اما وقتی ساکت دایره پژوهش خود را به نمونه‌ای متشکل از ۲٬۷۸۳ نفر از جمعیت عمومی گسترش داد، این رابطه کاملاً ناپدید شد.[3]

نسبت شانس به ۱.۰۶ سقوط کرد؛ یعنی در سطح جامعه، عملاً هیچ همبستگی آماری میان این دو بیماری وجود نداشت. نتیجه اولیه حاصل خطای نمونه‌گیری یا کشفی زیست‌شناختی نبود، بلکه توهمی ساختاری بود که در ورودی بیمارستان آن را خلق کرده بود.[3]

معماری یک برخورددهنده در تحلیل علّی

از آنجا که بیماری‌های حرکتی و تنفسی هرکدام به‌طور مستقل احتمال بستری‌شدن فرد را افزایش می‌دهند، تمرکز صِرف روی بیماران بستری تضمین می‌کرد کسانی که یکی از این دو بیماری را ندارند، به‌احتمال قوی به دیگری مبتلا باشند. ساکت این پدیده را «سوگیری نرخ پذیرش» نامید؛ تله‌ای ریاضی که تا امروز پژوهش‌های مدرن را به بیراهه می‌برد.[3]

در ادبیات استنتاج علّی، بستری‌شدن در بیمارستان در نمونه ساکت نقش یک «برخورددهنده» (Collider) را بازی می‌کند. برخورددهنده متغیری است که دو یا چند متغیر دیگر به‌طور مستقل علت وقوع آن هستند.[1]

در یک نمودار جهت‌دار بدون دور (DAG)، فلش‌های علیت متغیرهای مستقل روی این گره مشترک معلول با یکدیگر برخورد می‌کنند. مادامی که پژوهشگران کاری به برخورددهنده نداشته باشند، این گره مسیر غیرعلّی میان والدین خود را مسدود نگه می‌دارد.[5]

اما درست لحظه‌ای که متغیرِ برخورددهنده را شرطی می‌کنند — خواه با محدود کردن نمونه پژوهش، طبقه‌بندی داده‌ها یا افزودن آن به عنوان متغیر کنترلی در مدل رگرسیون — این مسیر غیرعلّی باز می‌شود و یک همبستگی ساختگی میان متغیرهای مستقل پدید می‌آید.[1][5]

استیون کول، همه‌گیرشناس، در یک مرور روش‌شناختی در سال ۲۰۱۰ توضیح می‌دهد: «شرطی‌سازی بر معلول مشترک دو متغیری که در حالت عادی از هم مستقل‌اند، بین آن‌ها رابطه ایجاد می‌کند.» این پدیده که سوگیری طبقه‌بندی بر اساس برخورددهنده نام دارد، نقطه مقابل مخدوش‌شدگی عمل می‌کند.[1]

در حالی که کنترل کردن یک متغیر مخدوش‌کننده سوگیری را برطرف می‌کند، کنترل کردن یک برخورددهنده فعالانه سوگیری می‌سازد. سازوکار این رویداد را معمولاً با اصطلاح «توجیه رفعی» یا Explaining Away توصیف می‌کنند.[3][4]

اگر دو عامل مستقل بتوانند علت پیامدی مشخص باشند و بدانید آن پیامد رخ داده، آگاهی از نبود عامل اول احتمال ریاضی حضور عامل دوم را به‌شدت بالا می‌برد. بدین ترتیب این دو علت در آن زیرگروه خاص رابطه‌ای معکوس پیدا می‌کنند، حتی اگر در دنیای واقعی هیچ تعاملی نداشته باشند.[4]

پارادوکس برکسون و توهمات آماری روزمره

نخستین توصیف رسمی این پدیده را جوزف برکسون، آماردان مایو کلینیک، در سال ۱۹۴۶ منتشر کرد. برکسون نشان داد مطالعات هم‌گروهی در بیمارستان‌ها ذاتاً میان بیماری‌های نامرتبط همبستگی منفی کاذب ایجاد می‌کنند.[4]

اثبات ریاضی برکسون ثابت کرد عمل گزینش یک جمعیت بالینی فی‌نفسه تصویر واقعیت زیستی را دگرگون می‌کند. پارادوکس برکسون فراتر از پزشکی گسترش یافته و حتی شهود روزمره انسان را نیز دستکاری می‌کند.[4][6]

یک مثال ملموس، این باور عمومی است که افراد بسیار جذاب خوش‌اخلاق نیستند. در کل جمعیت، جذابیت ظاهری و مهربانی از نظر آماری همبستگی معناداری با یکدیگر ندارند.[6]

اما اگر کسی برای دوستی فقط سراغ افرادی برود که مجموع جذابیت و مهربانی آن‌ها از حد معینی بالاتر است، ندانسته بر یک متغیر برخورددهنده شرطی‌سازی کرده است. حذف کسانی که نه جذاب‌اند و نه مهربان، تضمین می‌کند که میان افراد بسیار جذاب، میانگین مهربانی پایین‌تر به نظر برسد.[6]

این همبستگی منفی کاملاً حاصل معیارهای گزینش است. همین سوگیری ساختاری توجیه می‌کند چرا در دانشگاه‌های نخبه، سطح علمی و مهارت‌های ورزشی اغلب رابطه‌ای معکوس نشان می‌دهند.[6]

اگر دانشگاهی دانشجویان را بر مبنای نمرات عالی یا استعداد استثنایی ورزشی پذیرش کند، خود «پذیرش» تبدیل به برخورددهنده می‌شود. در جمع پذیرفته‌شدگان، دانشجویی با نمرات متوسط به‌احتمال قریب به یقین یک ورزشکار حرفه‌ای است؛ امری که مبادله‌ای کاذب میان این دو ویژگی القا می‌کند.[6]

گشودن راز معمای وزن کم هنگام تولد

سوگیری برخورددهنده یک کنجکاوی تئوریک محض نیست؛ دهه‌ها اجماع سلامت عمومی را به بیراهه برده است. سال‌ها همه‌گیرشناسان نوزادان با معمایی به نام «پارادوکس وزن کم هنگام تولد» دست به گریبان بودند.[2]

آمارهای حیاتی ایالات متحده نشان می‌داد سیگار کشیدن مادر نرخ مرگ نوزاد را در کل افزایش می‌دهد، اما در میان نوزادان کم‌وزن ظاهراً نقشی محافظتی دارد! در سال ۱۹۹۱، نوزادان کم‌وزن مادران سیگاری ۲۱ درصد کمتر از نوزادان کم‌وزن مادران غیرسیگاری جان خود را از دست دادند.[2]

این نرخ نسبی ۰.۷۹ تئوری‌هایی را پدید آورد مبنی بر اینکه دود سیگار شاید ریه‌های نارس را به نوعی تقویت می‌کند. این پارادوکس بیش از یک دهه در متون علمی سرگردان ماند.[2]

سرانجام در سال ۲۰۰۶، سه همه‌گیرشناس به نام‌های سونیا هرناندز-دیاز، انریکه شیسترمن و میگل ارنان با استفاده از نمودارهای علّی گره معما را گشودند. آنها نشان دادند وزن هنگام تولد یک برخورددهنده کلاسیک است که هم سیگار کشیدن مادر و هم نقایص ژنتیکی شدید در آن نقش دارند.[2]

پژوهشگران با محدود کردن تحلیل به نوزادان کم‌وزن، بر یک برخورددهنده شرطی‌سازی کرده بودند. نویسندگان توضیح دادند: «نوزادان کم‌وزن مادران سیگاری شاید مرگ‌ومیر کمتری داشته باشند، چون کم‌وزنی نوزادان دیگر به دلایل مرگبارتری مثل نقص‌های مادرزادی است.»[2]

چون نوزادان مادران غیرسیگاری صرفاً به خاطر بیماری‌های مادرزادی بسیار وخیم کم‌وزن شده بودند، مرگ‌ومیر به‌مراتب بالاتری داشتند. کنترل کردن این متغیر، اثری محافظتی برای سیگار خلق کرده بود که وجود خارجی نداشت.[2]

خطر کنترل بی‌حساب متغیرها در مدل‌های آماری

پارادوکس وزن تولد هشداری است در علم داده: این باور که کنترل کردن متغیرهای بیشتر در رگرسیون همیشه دقت تحلیل را بالا می‌برد، اشتباه است. کنترل متغیری که پس از مواجهه و پیامد قرار دارد، تحلیل را از ریشه ویران می‌کند.[5]

چارچوب نمودارهای جهت‌دار بدون دور که جودیا پرل توسعه داد، سدی روش‌مند در برابر این خطاست. «معیار درِ پشتی» (Backdoor Criterion) پرل به‌دقت مشخص می‌کند چه متغیرهایی را باید کنترل کرد و حیاتی‌تر اینکه از چه متغیرهایی باید چشم پوشید.[5]

متغیری که معلول مشترک مواجهه و پیامد است، هرگز نباید وارد مدل شود. در راهنمای پیاده‌سازی معیار درِ پشتی در پایتون (۲۰۲۵) آمده است: «هنگامی که روی یک برخورددهنده شرطی‌سازی می‌کنیم، از نظر تکنیکی یک مسیر غیرعلّی باز می‌شود و اثری ساختگی پدید می‌آید که در واقعیت وجود ندارد.»[5]

تفکیک برخورددهنده از متغیر مخدوش‌کننده نیازمند دانش تخصصی است و با آزمون‌های آماری صِرف ممکن نیست.[3][5]

مخدوش‌کننده علتِ همزمان مواجهه و پیامد است، در حالی که برخورددهنده معلولِ آن‌هاست. چون هر دو نوع متغیر همبستگی بالایی با متغیرهای اصلی دارند، الگوریتم‌های آماری بدون نقشه علّی قادر به تشخیص تفاوت آن‌ها نیستند.[3][5]

ردپای سوگیری در داده‌های همه‌گیری کرونا

تبعات غفلت از سوگیری برخورددهنده در ماه‌های نخست همه‌گیری کووید-۱۹ آشکار شد. چندین مطالعه گذشته‌نگر گزارش دادند که افراد سیگاری ظاهراً بسیار کمتر از غیرسیگاری‌ها به کووید-۱۹ شدید مبتلا می‌شوند.[7]

داده‌ها در ظاهر محکم بودند، اما سازوکار نمونه‌گیری نقص اساسی داشت. به دلیل کمبود کیت‌های تشخیص در آن مقطع، آزمایش فقط از افراد بستری‌شده یا دارای علائم تنفسی حاد گرفته می‌شد.[7]

بستری‌شدن در بیمارستان مانند یک برخورددهنده بزرگ عمل می‌کرد که بیماری حاد کووید-۱۹ و آسیب‌های ریوی ناشی از مصرف دخانیات به‌طور مستقل احتمال آن را افزایش می‌دادند. پژوهشگران ناخواسته گروه مبتلایان را با گروه شاهدی مقایسه کردند که بیشتر آن‌ها سیگاری‌های مبتلا به بیماری انسداد ریوی بودند.[7]

اثر محافظتی نیکوتین شبحی آماری بود که درهای ورودی بیمارستان آن را ساخته بودند. دامی مشابه در مطالعات مربوط به داروی مهارکننده ACE و مرگ‌ومیر ناشی از کرونا نیز رخ داد.[7]

چون جامعه آماری به بیماران دارای تست مثبت محدود شده بود، در عمل روی خود بیماری شرطی‌سازی رخ داده بود و متغیرهای مستقل در پیوند ساختگی قرار گرفتند.[7]

راه‌های تصحیح سوگیری‌های نادیدنی

در حالی که متغیر مخدوش‌کننده را می‌توان با افزودن به رگرسیون اصلاح کرد، سوگیری برخورددهنده پس از جمع‌آوری داده‌ها به‌سختی اصلاح‌پذیر است. اگر سوگیری در نحوه گزینش نمونه رخ دهد، بخش حذف‌شده جامعه در دسترس نیست و محقق توزیع واقعی را از دست می‌دهد.[1][7]

یک راهکار پیشرفته، «وزن‌دهی معکوس احتمال سانسور» (IPCW) است. این شیوه تلاش می‌کند با دادن وزن آماری سنگین‌تر به داده‌های باقی‌مانده که به افراد حذف‌شده شبیه‌ترند، جامعه واقعی را بازسازی کند.[7]

با این متوازن‌سازی، مسیر غیرعلّی از نظر ریاضی مسدود می‌شود. با این حال، شرط آن اندازه‌گیری دقیق همان متغیرهایی است که به خروج یا پذیرش افراد در پژوهش منجر شده‌اند.[7]

اگر عوامل زمینه‌ساز بستری، ریزش نمونه‌ها یا داده‌های گمشده ثبت نشده باشند، سوگیری برخورددهنده در نتایج باقی می‌ماند. همین پاشنه آشیل موجب بازنگری گسترده روش‌شناختی در اپیدمیولوژی ژنتیک شده است.[7]

مطالعات همبستگی ژنوم (GWAS) به بیوبانک‌های عظیمی اتکا دارند که برمبنای ثبت‌نام داوطلبانه ساخته شده‌اند. اگر واریانت ژنتیکی بر تمایل فرد به مشارکت اثر بگذارد و عاملی محیطی نیز داوطلب‌شدن را تشویق کند، خود بیوبانک به یک برخورددهنده تبدیل می‌شود.[7]

در این جامعه محدود، پیوندهای ساختگی میان ژن و عامل محیطی ثبت می‌شود و محقق ویژگی‌های جمعیتی افرادِ داوطلب را به‌اشتباه سازوکار زیستی یک بیماری تفسیر می‌کند.[7]

سوگیری برخورددهنده نشان می‌دهد داده‌های مشاهده‌ای هرگز خودبه‌خود سخن نمی‌گویند. بدون درکی دقیق از نحوه شکل‌گیری نمونه و روابط علّی جهان واقعی، دستکاری آماری درست به همان اندازه که می‌تواند حقیقتی را آشکار کند، می‌تواند توهمی تازه بیافریند.[7]