明明研究“因果”，却只敢写“关联”？BMJ指出69%顶刊论文存在目标与表述错位

在医学研究论文中，“本研究旨在探讨X与Y之间的关联”几乎是一种标准句式。尤其面对观察性数据时，许多研究者会主动回避“效应”“影响”或“导致”等因果表述，认为这样更稳妥，也更不容易受到审稿人质疑。

但这种写法真的更严谨吗？Labrecque和Kezios在2026年发表于BMJ的方法学文章《How and when to use causal and associational language》中指出：如果研究真正关心的是改变某种暴露或治疗是否会改变健康结局，那么研究问题本质上是一种因果关系。此时，用笼统的“关联”替代因果语言，可能掩盖研究的真实目标，并使研究问题、分析方法和结果解释彼此脱节。

作者援引的一项文献调查发现，在五本顶级流行病学期刊的随机样本中，约69%的论文似乎具有因果研究目标，却在研究问题中使用了association、risk factor、linked to或related to等非因果语言。这并不意味着这些论文的分析必然错误，而是提示研究目标与语言表达之间存在普遍错位。

图1. BMJ文章题录信息，https://www.bmj.com/content/392/bmj-2025-085749

一、关联为何不足以界定因果研究问题

从统计学角度看，关联只是两个变量之间的数值关系。即便研究对象相同，粗模型、纳入不同协变量调整模型都会报告不同的数值。它们可能相近，甚至完全相同，但在概念上并不是同一个量。

因此，如果研究目的只写“估计X与Y之间的关联”，读者仍然不知道作者具体关注哪一种关联。观察到的关联可能包含因果关系、混杂偏倚、选择偏倚/碰撞分层、测量误差四种不同机制。单独使用“关联”一词，并不区分这些可能性。

如果研究者真正想知道“对X进行干预后，Y是否会改变”，那么问题的核心在于识别一个预先定义的因果效应，而不是简单的一种关联关系。

二、困境1：研究方法不应反过来定义研究问题

文章通过一段虚构的合作者对话说明这一点。假设研究者写道：“本研究旨在估计维生素B补充剂与痴呆风险之间的关联。”合作者追问：这里指粗关联，还是调整协变量后的关联？

研究者于是将问题改为：“估计调整年龄、性别、基线认知、载脂蛋白E和教育水平后，维生素B补充剂与痴呆风险之间的关联。”表面上看，问题变得具体了，但新的矛盾随之出现。

科学研究通常应先明确想知道什么，再决定如何分析。协变量往往是在研究问题确定后，根据专业知识和因果图选择的。如果必须先完成变量选择，才能在研究问题中说明关注哪一种关联，研究问题便在一定程度上被分析方法反向定义。

因果效应则不依赖某一组调整变量来定义。在反事实框架下，研究者关注的是：如果目标人群接受某种暴露或干预，结局会怎样；如果同一目标人群处于另一种暴露或干预状态，结局又会怎样。协变量调整是识别这一目标量的手段，而不是研究问题本身。

三、困境2：未测量混杂究竟影响什么

假设研究问题被写成“估计调整年龄、性别、基线认知、载脂蛋白E和教育水平后，维生素B补充剂与痴呆风险之间的关联”。只要分析正确估计了这一调整后关联，研究问题在统计意义上就已经得到回答。此时，其他未纳入模型的变量并不会改变这个关联本身的定义。

那么，为什么医学论文还需要讨论未测量混杂？因为研究者通常不只是想描述一个调整后关联，而是希望借助这一关联推断维生素B补充剂是否会影响痴呆风险。未测量混杂真正影响的，正是这种因果解释：如果某个未测量因素同时影响补充剂使用和痴呆风险，观察到的关联就可能偏离真实的因果效应。

因此，将研究问题明确表述为估计“因果效应”（Estimated Causal Effect），逻辑反而更加清楚。因果效应是研究目标，回归、标准化、加权或匹配只是估计这一目标的工具。在此基础上，研究者才能进一步讨论调整变量是否充分、是否存在未测量混杂，以及这些偏倚可能如何影响因果效应的估计。

四、提出因果问题不等于获得因果答案

研究者回避因果语言，往往是担心观察性研究“承诺了无法实现的目标”。作者对此应作出一个关键区分：研究问题表达的是想知道什么，不是对最终答案正确性的预先保证。

预测研究可以提出预测目标，却不能预先保证模型表现良好；描述性研究可以提出描述目标，也不能保证样本完全代表目标人群。同样，研究者可以提出因果问题，但必须在后续分析和讨论中说明，因果解释依赖哪些设计条件和统计假设。

真正决定估计结果能否获得因果解释的，不是论文中是否出现effect 或 cause，而是可交换性（exchangeability，即不同暴露组在其他方面具有可比性）、正值性（positivity，即各类研究对象均有可能处于不同暴露状态）和一致性（consistency，即同一暴露或干预具有明确且一致的含义）等假设是否具有可信依据，以及选择偏倚、测量误差和模型设定等问题是否得到充分评估。

随机试验通常能通过随机化为部分因果假设提供较强支持，但仍可能受到失访、不依从和测量误差影响。观察性研究面临更明显的混杂挑战，却并不因此失去提出因果问题的资格。问题可以是因果的，答案的因果可信度则必须由设计与证据来支撑。

总结

这篇BMJ文章并不是鼓励作者把所有“关联”改成“因果效应”，而是强调研究语言应与研究目标一致。描述疾病分布，应使用描述性语言；预测个体结局，应使用预测性语言；如果真正关心干预某种暴露能否改变结局，就应明确提出因果问题。

用“关联”掩盖因果目标，并不会使研究更加谨慎。更稳妥的做法，是先明确问题，再说明分析实际估计了什么，最后如实评价这些结果在多大程度上支持因果解释。

下一期将进一步讨论“因果效应”“关联”和“估计的因果效应”应当如何在论文不同部分中使用。

参考文献：Labrecque, J. A., & Kezios, K. L. (2026). How and when to use causal and associational language. BMJ (Clinical research ed.), 392, e085749. https://doi.org/10.1136/bmj-2025-085749