源自风暴统计网：一键统计分析与绘图的网站
在观察性研究中，估计暴露与结局间的因果效应，关键在于控制混杂。
当暴露不随时间变化时，如性别、基因型等，可采用匹配、回归校正、倾向性评分等传统方法进行控制。
然而，在流行病学和临床研究中，很多暴露是随时间变化的，如药物剂量、吸烟状态、空气污染水平、社会经济状态等。此时若仍沿用传统方法，则可能因未能恰当处理时间依赖性混杂（时依混杂）而导致估计偏倚。
今天我们就基于一篇文献，告诉大家时依混杂应该怎么控制。
首先让我们了解一下什么是时依混杂--时依混杂是一种随时间变化的混杂因素，它既受过去暴露的影响，又会影响未来的暴露和结局，形成“暴露—混杂—结局”的动态因果链。
为什么时依混杂如此棘手？
用一个经典的研究案例来说明，在一项抗逆转录病毒治疗（ART）对HIV感染者CD4计数的影响研究中：
暴露是ART治疗（X0=基线治疗、X1=随访治疗）；
结局是CD4计数（连续型变量）；
时依混杂：HIV病毒载量（C1）
这里的关键是，病毒载量C₁同时扮演两个角色，
中介角色：
X₀（基线治疗）→C₁（病毒载量）→Y（CD4计数）
混杂角色：
C₁→X₁（随访治疗）→Y
如果直接用传统方法控制C₁，就会陷入两难：
若它是中介：控制它会切断治疗起效的路径（过度校正偏倚）；
若它是混杂：不控制它又会导致估计偏倚。
这就是时依混杂的“陷阱”——它既是果，又是因，传统方法无法同时处理这两个冲突的身份。
如何解决？
针对时依混杂的特殊性，统计学家发展了G方法。与传统方法不同，G方法不强求“固定”混杂因素，而是通过更智能的建模策略处理其动态变化，从而准确识别暴露与结局之间的真实因果关系，获得可靠的效应估计。
目前主流的G方法包括以下三种：
参数g-formula：通过模拟反事实，比较不同暴露策略下的结局；
逆概率加权（IPW）：构建“伪随机化”人群，消除混杂影响；
G估计：直接建模暴露效应，允许混杂-暴露交互。
由于这三种方法在适用场景、模型假设与估计稳定性上各有不同，研究者应根据自身研究的具体情况——如数据类型、样本量、时间点数量、暴露形式等——选择最适合的G方法，从而有效控制时依混杂，得出无偏、稳健的因果推断结论。
总之，在处理随时间变化的动态暴露（如药物剂量、吸烟行为）时，传统回归校正等“静态”分析方法极易因忽略时间依赖性混杂而产生偏倚。该混杂因素同时具有中介与混杂的双重身份，形成一个“既受过去影响、又干预未来”的因果闭环。
为此，统计学家开发了以参数g-formula、IPW 和 G估计为代表的G方法。这类方法的核心在于不再试图“固定”混杂，而是通过模拟、加权或结构建模等策略，在动态系统中解析真实的因果路径，从而得出更可靠、更贴近现实的无偏估计，标志着因果推断方法从处理“静态干扰”到驾驭“动态系统”的重要演进。
最后，在文末给郑老师我们团队打个广告吧，大家不要见怪哈！
欢迎参加公共数据库保发表训练营
