1702631761
1702631762
按时去教堂会延长人的寿命吗？医生在治疗心脏病时，会歧视女性患者吗？一边开车一边打手机，会增加出车祸的概率吗？这些都是因果问题（cause-and-effect question），应该用随机比较实验来检验。可是，很遗憾，我们不能随机安排某些人去教堂，因为是否参加宗教活动是个人信仰问题；我们也不能用随机数字表，随机指定心脏病患者是男性或女性；而要求驾驶员一边开车一边打手机，也是我们不愿意做的事情，因为边开车边打电话可能很危险。
1702631763
1702631764
对于以上这些问题，以及许多其他的因果问题，我们能得到的最好数据，都来自观察研究。我们知道观察研究是仅次于实验的第二选择，虽然其所得结果比实验弱得多，但好的观察研究还是非常有价值的。那么，什么样的观察研究才算好的呢？
1702631765
1702631766
首先，好的研究不管是不是实验，都一定要是对比研究。我们可以分别从固定做礼拜的人和非固定做礼拜的人中抽取随机样本做比较，可以比较医生如何治疗男性心脏病患者和女性心脏病患者，也可以比较同一个人在开车过程中打手机和不打手机时的风险情况。我们可以同时运用比较和“配对”（matching）的方法来建立一个控制组。为了了解怀孕期间服用止痛药的影响，我们比较研究了妊娠期服用止痛药和未服用止痛药的女性。我们从未服药的许多怀孕女性中选出一些人，她们在年龄、教育背景、生育子女数以及其他潜在变量方面，都和孕期服用了止痛药的那组女性很接近。这样我们就有了两组女性，她们在所有潜在变量方面都相似，所以这些潜在变量应该不会影响我们的研究结果。尽管如此，还会存在我们无法观察或考虑不到的其他潜在变量，它们会影响研究结果。
1702631767
1702631768
配对并不能消除变量间交叉干扰的问题。按时去教堂或犹太教堂或清真寺参加宗教活动的人，比不去的人更会照顾自己。他们当中较少人抽烟，较多人运动，超重的人也比较少。配对可以缩小某些差距，但不是所有差距。如果去教堂的人和不去教堂的人去世时的年龄做比较，就会把宗教信仰的影响和良好生活习惯的影响混杂在一起。所以，好的比较研究，必须能够测量和调整那些“交叉干扰变量”（confounding variable）的影响。如果我们测量体重、抽烟习惯、运动习惯，就可以用统计技巧来减少这些变量对人的寿命的影响，而只剩下宗教信仰的影响。
1702631769
1702631770
例6 宗教活动与人的寿命
1702631771
1702631772
关于按时参与宗教活动的效果的一个好的研究，选取了一个包含3617名成年人的随机样本。除了解释变量（宗教活动）和反应变量（寿命长短）之外，研究者还测量了很多其他变量。一篇新闻报道说：
1702631773
1702631774
在去教堂参加活动的人中，有较大比例的人不抽烟、经常做运动，而且体重适中。不过，即使考虑到健康习惯，未定期参加宗教活动的人，死亡概率还是多出了25%。
1702631775
1702631776
所谓“考虑到”的意思是，最后的研究结果根据两组的差异做出了调整。该调整降低了宗教活动的影响，但它仍然对结果有重要影响。
1702631777
1702631778
例7 心脏病治疗中存在性别歧视吗？
1702631779
1702631780
医生在治疗心脏病时，对于有相似症状的女性患者，所用方法不像男性患者那样激进。这是不是表明医生有性别歧视的倾向？未必如此。女性通常比男性患心脏病的时间晚，女性心脏病患者的年龄一般较大，而且还有其他健康问题。这也许可以解释为何医生在为她们治疗时更加谨慎。
1702631781
1702631782
这种情况需要做一次比较研究，对交叉干扰变量的影响进行统计调整。类似的研究已经有很多人做过了，结果却相互矛盾。用医生的话说，有的结果是“当男性患者和女性患者除了性别以外的其他变量都相似时，治疗方法是很接近的”。而其他研究结果则发现，即使对男女患者的性别的影响进行调整之后，女性患者接受的治疗还是比较保守。
1702631783
1702631784
从例7可以看出，统计调整是很微妙的。随机分配实验对象可以建立起在所有已知或未知变量方面都接近的组，而配对和调整对研究中未考虑要度量的变量，并不起作用。即使你相信研究者什么都考虑到了，还是要对统计调整存疑。在决定调整哪些变量时，有很大的作弊空间。而且，“经过调整”的结论，实际上等于在说：
1702631785
1702631786
如果女性心脏病患者的年纪轻些、身体健康些，而男性心脏病患者年纪大些，健康状况差些，两种性别的患者就会得到差不多的治疗。
1702631787
1702631788
也许这已经做到最好了，而且我们应该感谢统计学。不过，这让我们更喜欢能得出清清楚楚的结果的好实验了。
1702631789
1702631790
小结
1702631791
1702631792
本章要点
1702631793
1702631794
• 统计研究常常试图找到证据，证明当改变某个变量（解释变量）的时候，会使另一个变量（反应变量）产生变化。
1702631795
1702631796
• 在实验当中，我们会自己设定解释变量，而不是只观察它们。
1702631797
1702631798
• 观察研究和只采取一种处理方式的单轨实验，因为解释变量和潜在变量之间存在交叉干扰的问题，所以我们不可能确定处理方式的效果到底是什么。
1702631799
1702631800
• 在随机比较实验中，我们比较两种或多种处理方式，随机分配哪些实验对象对应哪种处理方式，并且使用足够多的实验对象，以减小机会变异性的影响。
1702631801
1702631802
• 比较两种或多种处理方式，可以控制像安慰剂效应等潜在变量，因为潜在变量对每个组都起到同样的作用。
1702631803
1702631804
• 不同的处理方式所产生的效果之间的差距，若大到几乎不可能仅因为机会变异性的影响而产生时，就被称为具有统计学显著性。
1702631805
1702631806
• 对于因果问题所做的观察研究，如果能比较相似的组，尽量多地衡量潜在变量并做出统计调整，结果就会比较可信。
1702631807
1702631808
在第1章，我们了解到实验最适合得出由一种处理方式导致结果产生变化的结论。在这一章里，我们了解到只有设计出好的实验，特别是随机比较实验，才能为获得这类结论奠定坚实的基础。实验结果的统计学显著性，是证明解释变量有效的最好证据。
1702631809
1702631810
当无法做实验时，尽可能测量多个潜在变量和对效果进行统计调整的观察研究，有时可被用于解答因果问题。尽管如此，它们仍比不上好实验，属于次优选择。
[
上一页 ]
[ :1.702631761e+09 ]
[
下一页 ]