Answers:
混杂变量必须:
这些是将变量视为潜在混杂变量的标准。如果发现潜在的混杂因素(通过分层和调整测试)实际上混淆了风险与结果之间的关系,那么风险与结果之间看到的任何未经调整的关联都是混杂因素的产物,因此不是真正的影响。
另一方面,效果修饰符不会混淆。如果效果是真实的,但效果的大小取决于某些变量X,则该变量X是效果修改器。
因此,要回答您的问题,就我所知,对于给定的研究样本以及给定的一对风险因素和结果,既没有变量既可以充当效果修正变量又可以充当混淆变量。
您可以在这里找到更多信息
是的,变量绝对有可能既是混杂因素又是效果修改器。我们可以在R中运行快速仿真以验证这一点:考虑以下机制,其中为治疗,为结果。影响和,因此是一个混杂因素。但是它也与x交互,因此修改了它对y的影响。
set.seed(234)
c <- runif(10000)
x <- c + rnorm(10000, 0, 0.1)
y <- 3*x + 2*x*c + rnorm(10000)
因此,我们知道真正的因果机制是。显然,修改的效果。然而,当我们运行的回归在而已,我们也看到在混杂踢:
lm(y ~ x)
Coefficients:
(Intercept) x
-0.258 4.856
最后,正如我的评论所指出的那样,oisyutat给出的定义是错误的。它反映了朱迪亚·珀尔(Judea Pearl)所说的混杂因素,并且他给出了为什么该定义失败的多种原因。参见Pearl(2009),因果关系,第6.3节。