CoBoL's Blog: 「強烈的相關性」成為「致命的假科學」

蘇冠賓

…影星尼可拉凱吉每年演出電影的數目，可以預測當年在游泳池溺斃者數量！

…美國花在科學上的經費愈多，當年就會有愈多自殺死亡的人數！

…每個人吃奶油的量愈少，當年緬因州的離婚率就愈低！

摘自 Spurious Correlations

不單只是一般外行人，即使是研究人員，也常把兩事件的「強烈相關性 correlation」誤為「因果關係 causal effect」。最近在 Spurious Correlations 網站上介紹了十幾個很誇張的例子，例如「影星尼可拉凱吉每年演出電影的數目，可以預測當年在游泳池溺斃者數量」，就是的血淋淋教訓。

在生命科學上，如果要說明「因果關係」，應該要有三大基本証據：（1）Prospective controlled study 控制變因的前瞻性研究、（2）Randomized controlled study 隨機分配的控制組研究、（3）Mechanistic experiments for construct validity 符合生物機制的基礎研究。

很多人誤用「因果關係」來解釋「大數據」或「強烈的相關性」之結果，他們甚至宣稱那是「控制變因的前瞻性研究」。然而，資料庫中的「從2001年追蹤到2010年」，並不是真正的「前瞻性研究」（例如在 Spurious Correlations 的那些血淋淋的例子，全都是「追蹤十年」的研究）；利用統計方法把干擾因子做控制，也不是真正的控制變因；而在資料庫當中配對年齡性別的控制組，更不是隨機分配設計中的控制組。大數據的讀者，應該要明白所謂的「追蹤、控制」，只是讓大數據分析更令人安心一些；結果是為了未來研究的方向聚焦一些，但絕對不能用來做為因果關係的証明。

台灣學者利用健保資料庫發表大量的學術論文，對於提高台灣學術界的能見度有很大的貢獻，然而，嚴謹的作者會都提醒我們，不應該用因果關係來解讀。以「使用A藥物」和「Z病風險增高」的相關性為例，藥物A用在B1到B5的五種病，B病又有C飲食特徵、D生活形態、E共患的疾病…，我們就分不出是A、B、C、D、或E和Z有直接的關係；又，吃藥物A的人可能F倍於常人去看醫生、G倍於常人被檢查出Z病，這時吃藥物A反而變成提高（早）診治Z病的有利因素。健保資料庫發表的論文，很容易都可以找到更多類似的干擾或交互作用的因素，而這些因素都不是僅靠統計方法就可以完全控制校正的。

研究結果為了吸引讀者注意，有時會利用悚動的標題來吸引讀者注意，或在結論上言過其詞，如果不傷大雅，例如「多穿皮鞋者不易得心臟病」的結論，或許不會造成太大的傷害，如果搶上八掛報的頭條也無妨，畢竟站在主編的立場，如果作者文章沒有爆點，也較引發不了讀者的興趣。然而，如果會造成嚴重結果，例如只用健保資料的數據，就在媒體宣布「安眠藥增98%腦癌風險」，造成服用安眠藥病患恐慌或停藥，那麼就會產生巨大的傷害。