日捐一分钱可改善抑郁症状!?[特殊字符]

懒麻蛇

于 2025-03-14 18:37:11 发布

阅读量892

点赞数 25

本文链接：https://blog.csdn.net/lazysnake666/article/details/147435798

版权

TLDR：该研究发现在线微慈善干预可有效缓解抑郁症状，情绪积极性发挥了关键的中介作用，干预无需社会互动，因此特别适合抑郁患者，但😈藏在细节里，解读结果需谨慎。

https://doi.org/10.1177/09567976251315679

研究背景

抑郁症（Depression）因其持续的情绪低落和快感缺失（anhedonia）而给个体和社会带来了沉重负担。虽然现有治疗方法有效，但其成本较高，尤其是对支付能力有限的患者而言，急需成本低廉且有效的干预措施。已有研究显示，较小金额的利他消费（prosocial spending）能提升幸福感（happiness），但此类干预是否能够缓解抑郁症状尚待证实。

研究方法

研究者开展了三个预注册的随机对照试验（randomized controlled trials, RCTs），共包括三个独立样本（N分别为125、296和462名抑郁症状个体），实验时长为2个月。干预组参与者每天在腾讯公益平台进行至少一分钱（¥0.01）的微慈善捐赠，而对照组为等待组。研究通过流行病学研究抑郁量表（CES-D）评估抑郁症状，通过积极与消极体验量表（SPANE）评估情绪积极性。

研究结果

干预效果显著：与等待组相比，干预组抑郁症状显著降低（效应量Cohen’s d范围为-0.19至-0.46），情绪积极性显著提高（Cohen’s d范围为0.22至0.49）。
情绪积极性作为中介变量：干预通过提高情绪积极性，有效降低了抑郁症状。
捐赠金额影响干预效果：慷慨捐赠者的干预效果略优于最低金额捐赠者，但差异未达到统计学显著水平。

恶魔😈藏在细节里

研究者根据预注册方案排除了那些「重复错过任务（repeatedly missed the tasks）」的参与者，而作者解释为未完成慈善捐赠的参与者。这意味着研究的数据分析实际上是基于坚持并积极参与捐赠行为（干预措施）的个体，而不是最初随机分配的全部参与者。因此，作者报告的实际上是「接受干预的个体的平均治疗效应（Average Treatment Effect on the Treated, ATT）」，而非更严格的、反映真实世界情境的「总体平均治疗效应（Average Treatment Effect, ATE）」。如果存在个体特征（例如更严重的抑郁症状）同时影响了干预参与度和抑郁症状改善，这种做法可能导致选择偏差（selection bias）或碰撞偏差（collider bias），从而高估干预的真实效果。

换句话说，更严重抑郁症状的参与者可能更倾向于不坚持捐赠行为，并被排除在分析之外，这可能导致研究得出的干预效果过于乐观，无法准确反映一般人群或真正患有抑郁症状的人群的现实情况。因此，这一点的确构成了该研究设计和分析方法的一个重大潜在问题，需要在论文中清晰地讨论和阐明，以避免误导读者对干预效果的理解。

碰撞偏差（Collider Bias）

Directed Acyclic Graphs

我们可以把研究中的因素和结果想象成河流和支流的关系。当两条不同的支流（因素）都汇入同一个湖泊（中间变量），而研究者只专注于湖泊里的水时，就可能出现碰撞偏差。

假设你想研究两种不同因素（例如吃维生素和运动）对健康的影响。但你研究的对象只选择了那些体检结果健康的人（即把“健康”当成了碰撞变量）。如果吃维生素和运动都能分别提升健康，那么当你只看健康的人群时，可能会发现吃维生素的人运动较少，运动多的人则不太吃维生素，这样就产生了一种虚假的负相关关系（实际上，两者本身可能并不相互影响）。

研究者发现服用血管紧张素转换酶抑制剂（ACEIs）或血管紧张素受体阻滞剂（ARBs）的COVID-19患者，其死亡风险并未增加。然而，这个结论的前提是，该研究仅关注已经患有COVID-19的患者群体。这就存在了潜在的碰撞偏差（Collider bias）。具体原因如下：

Uploaded image

当研究只关注COVID-19感染的人群（图中的深色方框COVID-19）时，实际上人为地将COVID-19感染状态变成了一个「碰撞变量（Collider）」，即它同时受到两个独立因素的影响：ACEI/ARB使用以及其他风险因素。

此时的研究样本并非随机选择，而是筛选出的感染人群，这样会人为引入碰撞偏差。换句话说，COVID-19感染状态受到两种因素共同影响：

可能是ACEI/ARB用药增加了感染风险；
其他风险因素（如老年、慢性病患者）也独立增加了感染COVID-19的概率。

当你限定分析人群为感染COVID-19的患者时，便只看到了一个「特定」人群，这可能导致：

ACEI/ARB的使用看似与风险因素之间产生一个虚假的负相关关系，或者
ACEI/ARB的使用显得与较低死亡风险有关（即产生虚假的保护性效果），因为真正高风险的人可能因多种原因被排除或更难被纳入研究。

简单理解，就是你人为地限制了一个被多个因素影响的中间条件（COVID-19感染），而忽视了更广泛的人群特征，结果就可能与真实情况产生偏离。研究中仅分析COVID-19感染患者，可能导致因其他风险因素（如年龄或慢病）对COVID-19的影响被忽视，从而产生虚假的关联或掩盖真实因果关系。

打一个补丁

Fosbøl 等人意识到了研究可能存在的碰撞偏差，他们通过额外的分析确认 ACEI/ARB 使用者并不会更容易感染 COVID-19(这意味着箭头①可以被去除)，因此COVID-19 不再是一个碰撞变量，从而消除了因样本筛选导致的偏差。这样，他们的研究结论（ACEI/ARB 不会影响 COVID-19 患者的死亡率）就更具可信度。

思考题：请绘制DAG并思考本推送中微慈善的研究如何打补丁。

参考

Holmberg, M. J., & Andersen, L. W. (2022). Collider bias. Jama, 327(13), 1282-1283.