先别急着把“相关”读成“因果”
假设一项研究发现，喝咖啡的孕妇更容易生下低出生体重婴儿。研究者已经调整了年龄、吸烟、饮酒等差异。结论看起来很完整，但还有一个麻烦：如果某个没有记录的因素既影响咖啡摄入，也影响婴儿体重，那么咖啡可能只是替真正的原因背了锅。
这就是观测研究的老问题。观测研究——研究者观察现实中已经发生的用药、饮食或其他暴露，而不是随机分配——很难保证两组人原本相同。没有记录、却同时影响处理与结果的因素，叫作“未测混杂”。它可能制造一个看似因果、实为偏差的关系。
Jeffrey Zhang 和 Dylan S. Small 在论文《A simple sensitivity analysis for observational studies》中重新介绍了一种很简洁的敏感性分析。它不声称消灭隐藏偏差，而是换一个更诚实的问题：这个偏差至少要多强，才能把眼前的因果结论推翻？据论文所述，读者只要拿到效应估计及其置信区间——用于表示估计结果不确定范围的一段区间——就能作出初步判断，不必取得原始数据。
看置信区间离“无效”还有多远
方法的直觉很简单。先看置信区间最靠近“无效应”的那一端。对于结果差异，无效应通常是差值为 0；对于风险比或比值比，无效应则是比值为 1。这一端与无效应之间的距离，就是隐藏因素至少需要解释掉的差异。
以论文重访的一项孕期咖啡因研究为例。中等咖啡因摄入，也就是每天 150—300 mg，与低出生体重风险增加相关：估计风险为未摄入者的 2.3 倍，95% 置信区间为 1.1—5.2 倍。最靠近无效应的下界是 1.1。换句话说，只要未记录因素足以让喝咖啡者本来就有约 1.1 倍的低出生体重风险，统计证据就可能不再支持咖啡因的因果作用。
这个门槛并不高。研究虽然调整了吸烟、饮酒和大麻使用等因素，却可能遗漏更细的差异。论文随后提到，一项研究高度相关但并不完全相同问题的随机试验没有发现饮用脱咖啡因咖啡对低出生体重的影响。这个例子说明，小效应往往容易被不大的隐藏偏差推翻。
但门槛的数字不能脱离研究情境来读。另一项研究比较了因非本人责任的车祸失去配偶或孩子的人与匹配对照。前者中有 31% 的人报告近期难以摆脱低落情绪，对照组为 10%；两组百分比差的 95% 置信区间是 6%—41%。隐藏因素至少要造成 6 个百分点的原有抑郁差异，才能消除统计证据。6 个百分点看上去不大，可“遭遇一场自己无责的致命车祸”带有较强的偶然性，因此作者认为，这样大的事前差异未必容易出现。
说白了，同一个门槛，在不同研究里分量不同。敏感性分析给出的是一道需要跨过的栏杆；判断现实中的隐藏因素能否跨过去，仍要依靠具体背景。
大效应也不自动可靠
吸烟与肺癌展示了高门槛的意义。一项始于 1959 年的前瞻性研究匹配了 36,975 名每日吸烟至少 20 支的男性和从不规律吸烟的男性，得到肺癌死亡率之比为 9.17，95% 置信区间为 5.04—18.28。若把抽样不确定性算进去，一个隐藏因素仍需在吸烟者中至少常见约 5 倍，才可能解释掉这项关联。
当时有人提出，某个遗传因素也许同时导致吸烟和肺癌。论文引用的后续研究确实发现，15q25.1 染色体区域的变异同时影响吸烟行为并直接影响肺癌；但相关比值比为 1.7，95% 置信区间为 1.3—2.2，远不足以解释上述关联。这里，敏感性分析没有证明因果，却把质疑变成了一个可以比较强弱的具体命题。
反过来，大关联也可能骗人。一项维生素 C 与晚期癌症的观测研究报告，服用组平均生存期比对照组长 159.8 天，95% 置信区间为 99.8—219.8 天。隐藏因素似乎要制造约 100 天的生存差异，才能推翻结果，门槛看起来很高。
问题在于，研究没有调整疾病分期和转移部位等重要因素，治疗组还可能更早被判定为晚期。后来，多项随机对照试验没有发现维生素 C 能延长晚期癌症患者的生存期。这个失败提醒我们：门槛再高，也要先看研究遗漏了什么。一个与结局关系极强的变量，完全可能跨过去。
还可以找一个已知因素当标尺
如果“6 个百分点”或“0.34 年教育”仍然难以判断，作者还提出校准：把假想的未测因素，与研究中已经测量的因素比较。
论文讨论的一项研究估计，成长阶段失去兄弟姐妹，会使姐妹最终受教育年限平均减少 0.52 年，95% 置信区间为减少 0.70—0.34 年。研究没有记录逝者是否残障，这可能同时影响早逝风险和幸存姐妹的教育。读者可以拿一个已测变量作标尺，例如母亲是否曾在青少年时期生育；它对应的回归系数估计为减少 0.232 年，小于失去兄弟姐妹的 0.52 年。
如果读者愿意接受一个条件——未记录的残障因素对教育的影响不会超过母亲青少年生育的影响——那么按点估计比较，原结论较难被它推翻。不过，按置信区间边界校准时，结果又变得不确定。这里没有神奇的自动判决，只有一个更透明的条件句：在你认可这把标尺的前提下，结论能否站住。
为什么值得关注
敏感性分析通常由研究者预先设计，还可能需要原始数据和额外计算。这篇论文强调的是读者视角：论文发表之后，只凭效应估计和置信区间，也可以快速追问隐藏偏差需要多强。它把笼统的“可能存在未测混杂”，改写成一个能讨论、能比较的问题。
但这不是新的因果证明。数据通常无法自行识别未测混杂究竟有多大。敏感性分析提供的是条件式判断：如果隐藏偏差弱于某个门槛，结论仍可维持；如果现实中可能存在更强的偏差，结论就不稳。
局限与未知
- 这篇论文写的是“重新介绍”，并非宣称首创；“任何读者都能实施”和“有效工具”也是作者的主张，材料没有提供独立验证。
- 简单校准适用于标准线性回归等情形。作者明确指出，带有交互项的复杂回归不能直接套用该程序。
- 门槛本身不会判断某个隐藏因素是否合理。研究调整了哪些变量、遗漏因素可能有多强，仍需结合具体领域来解释。