CH 11：混淆因子 vs 商業分析
Published in
5 min readMar 12, 2023
前一章節提到，研究的樣本受到與隨機錯誤與系統性錯誤影響，因此有一個有好的內部有效性的研究應當排除偏誤、干擾因子、與隨機錯誤。
偏誤跟干擾因子都是系統性錯誤的一種，干擾因子、干擾、混淆因子、混淆、Confounding、Confounder 都是在說類似的事情。
如何干擾、混淆
干擾、混淆可以視為研究中「有第三個變量」的問題，當一個因子同時與暴露、跟結果都有關係，就會模糊了兩者之間關聯的大小，是一種：
“mixing of effects” between an exposure, an outcome
此外，干擾因子、混淆因子可被視為：進行組間的比較時，未暴露組不能真實的反應暴露組的 Counterfactual experience 反事實經歷。
成為干擾因子
成為干擾因子的變量必須：
- 與產⽣案例的群體中的暴露關，在未暴露、與暴露組中的比例不一致 imbalance
- 是案例的獨⽴原因或預測因⼦，也就是會影響案例是否發生
- 不能是暴露與結果因果關係中的中介因子 intermediater，（中介因子：暴露影響中介因子、進而影響結果的發生）
評估流程
依序判斷該因子是否滿足下列項目，如果任一不滿足就不是干擾因子、混淆因子：
- 評估變量分別與結果的關聯性（不一定是量化方分法）
- 評估變量是否存在於未暴露、與暴露組的個體中
- 評估變量是否與暴露有關
確定是干擾、混淆因子後，應計算影響程度
- 計算不考慮混淆時暴露對結果的影響大小、風險
- 嘗試計算考慮、調整混淆時暴露對結果的影響大小、風險
混淆的嚴重程度可以用：
(未調整混淆時的風險 — 調整混淆後的風險) / 調整混淆後的風險
控制與調整方法
- 應盡可能掌握所有可能的干擾因子以及其的相關資訊
- 實驗性研究中，隨機化是最能最有效避免干擾因子的方法
- 通常透過「⽂獻回顧」來找到潛在的干擾因子
- 繪製 DAG 來描述 risk factor、exposure、outcome 之間的關係
- 可以在實驗設計階段、與數據分析階段控制或調整干擾因子（一定要有數據）
實驗設計階段
- Randomization：隨機進行組別的分配，讓（無法測量）干擾因子「平均」出現在不同組別；僅用於實驗性研究
- Restriction：限制參與調查的對象，避免干擾因子存在在研究中；很難找到⾜夠的研究對象
- Matching：讓參與調查的對象中，有相同程度的干擾因子；不可能在 case-control study 中研究、Matching 與 outcom 的關係、可能過度匹配
數據分析階段
- Standardization：標準化控制用戶變量，”通分”、用固定的分母（每人時、每一百萬人）
- Stratified analysis：根據特定標準、特徵，將樣本分成幾個⼦樣本進行分析，特定層的估計值相似才應合併，結果可以提供：總人群標準化效應、只講某一群的效應、多層的平均效應
- Matched analysis (case–control study only)：Propensity score matching，未來再討論
- Multivariable analysis：多變量分析、多元回歸同時控制多個已知的干擾因子，在已知的狀況下不用一個一個看
控制與調整方法的極限
通常不太可能控制所有干擾因子，沒有被控制的（未知的）就是 Residual confounding：
- 未被觀察、沒有數據的干擾因子
- 干擾因子的類別不能明確界定對暴露與結果的影響，其中仍存在⾵險差異，通常發生在⾮常廣泛的干擾因子類別中
- 干擾因子 missclassification 分類錯誤時，就算有控制或調整干擾因子，也沒有辦法得到完善的成果
Assessment of Mediation：因為中介因子不算是干擾因子，不能在研究時以中介因子進行調整，反而需要研究中介因子在 exposure 跟 outcome 的關係。
參考
本系列文章都參考「Essentials of Epidemiology in Public Health」這本書，作者是 Ann Aschengrau 與 George R. Seage，有興趣可以到下面這邊看看
混淆因子的相關文章：
