在流行病学和临床研究的圈子里似乎有一条不成文的“保命法则”为了显得严谨千万别在标题和摘要里用“因果Cause/Effect”这个词一定要用“关联Association”来代替。于是我们看到了无数这样的标题“吸烟与肺癌的关联研究”“维生素D水平与骨折风险的相关性分析”但最近发表在顶刊 The BMJ 上的一篇方法学文章直接戳破了这层窗户纸。作者 Jeremy A Labrecque 和 Katrina L Kezios 指出这种为了“安全”而刻意回避因果语言的做法不仅不能保护你反而正在毁掉你文章的逻辑。数据显示近 70% 的顶级期刊文章明明做的是因果推断却不敢用因果词汇。结果就是研究目标不清晰讨论部分逻辑崩塌。今天我们就来聊聊这个让无数科研人纠结的问题到底什么时候该说“因果”什么时候该说“关联”为什么用“关联”来掩盖“因果”是行不通的很多作者认为用“关联”这个词是给自己留后路——“我只是发现了相关性没说是因果审稿人总不能骂我吧”但 BMJ 的这篇文章指出这其实是一个逻辑陷阱。1. “关联”这个词太模糊了当你说“我想研究 A 和 B 的关联”时你指的到底是什么是粗关联是调整了年龄性别的关联还是调整了一堆混杂因素后的关联这些在统计学上是完全不同的数值。 如果你的研究问题只是笼统的“关联”读者根本不知道你到底想算什么。2. 逻辑上的“死循环”如果你在研究问题里写“估算调整后的关联”那你必须在问题里列出调整了哪些变量。尴尬点一如果你在问题里列出了变量那你文章“方法部分”里关于“如何选择变量”的论述就显得多余了因为问题里已经定死了。尴尬点二如果你在结果里讨论“可能存在未测量的混杂因素”这在逻辑上是不自洽的。既然你的目标只是那个特定的“调整后关联”只要数据算出来是对的就不存在“未测量”的问题。只有当你把目标定为“因果效应”时讨论“未测量混杂”才有意义——因为你在试图逼近那个真实的因果值而混杂因素是你逼近路上的障碍。那么正确的做法是什么文章建议我们根据语境像切换开关一样精准使用三套词汇提问时Introduction 要大胆。如果是因果研究就直接问因果问题。**计算时**Methods/Results 要严谨。我们算出来的只是统计学上的“关联”。解释时Discussion 要诚实。告诉读者我们在什么假设下把这个“关联”解释为了“因果”描述性与预测性研究怎么办描述性研究 如果是比较两组人群的差异如健康不平等可以用非因果语言如“估算高中学历与非高中学历人群的痴呆风险差异”。预测性研究 目标是预测未来而不是解释机制。建议 尽量避免使用“关联”一词。预测模型关注的是预测的准确性如 AUC 值而不是变量间的统计学关联。用“预测Predict”、“分类Classify”更准确。下面为分析流程图用了“因果”词汇就是因果推断吗关键澄清在研究问题中使用“因果”语言并不代表你的结果就自动变成了因果结论。提问是提问证据是证据。只有当你的研究设计如随机对照试验或因果假设如无未测量混杂、一致性等足够强时你的估计值才能被解释为因果效应。好处敢于在问题中提出“因果”会倒逼研究者在方法部分更严谨地论证假设更诚实地讨论偏倚Bias Analysis。