观察性研究不可避免地存在着不同程度的选择偏倚、信息偏倚和混杂偏倚^[1]，由于上述偏倚的存在，研究者可能得到的是被扭曲的暴露和结局之间的因果关联^[2]。对混杂因素进行匹配是观察性研究设计中常用的方法之一，在队列研究设计及病例对照研究设计中广泛使用，尤其在病例对照研究设计中^[3]。对某因素进行匹配，可采用个体匹配、频数匹配以及倾向性评分等方法^[4]，确保该因素在队列研究设计中各暴露组间或病例对照研究设计中各结局组间的分布相同（或尽可能接近）^[5]。对混杂因素进行正确的匹配可消除混杂因素对研究结果造成的偏倚以及提高研究效率，但目前研究人员对匹配在不同观察性研究设计中的作用以及匹配性病例对照研究中欲匹配变量的选择等问题上认识并不充分^[6-7]。有向无环图（directed acyclic graph，DAG）是因果关系研究图像工具，其由节点（表示变量）以及连接各个节点的有向边（表示变量之间的因果关系）组成^[8-9]，DAG在混杂因素的识别、指导数据分析以及复杂变量之间因果关系可视化等方面得到了广泛应用^[10-11]。因此本文使用DAG对不同观察性研究中匹配的作用以及匹配性病例对照研究中欲匹配变量的选择标准进行分析。

1. 匹配在不同观察性研究中的作用：

（1）匹配性队列研究即使用频数匹配或个体匹配的方法确保匹配的混杂变量在不同暴露组之间大致相同，以达到控制混杂因素的目的。本文图中以椭圆表示变量，方框表示变量取某一固定值，有向箭头表示变量之间存在因果关系。图 1A表示E与D存在因果关联时的DAG，设图中E代表是否吸烟（1：吸烟，0：不吸烟），D代表是否发生肺癌（1：发生，0：不发生），C代表性别（1：男性，0：女性），Z代表是否纳入研究（1：纳入，0：不纳入）。从E→Z=1表示暴露者（吸烟者）相对于非暴露者（非吸烟者）更容易被纳入队列研究中（假设人群中吸烟率为20%，当暴露组与非暴露组纳入人数相等，则吸烟者被选入研究的概率为非吸烟者的4倍）；C→Z=1表示不同性别人群吸烟情况不同，因人群中男性吸烟比例高于女性，故吸烟组中男性所占比例高，为达到性别匹配的目的，在非吸烟组中男性将更容易被选入研究。C与E之间存在两条开放路径C→E以及E→Z=1←C，对变量C进行匹配，C在E的每个组间分布一致，此时C与E条件独立，意味着C与E之间存在的两条开放路径C→E以及E→Z=1←C刚好大小相等、方向相反、相互抵消。E与D之间存在E→D、E←C→D、E→Z=1←C→D 3条开放路径，其中E→D为因果路径，E←C→D、E→Z=1←C→D为偏倚路径，但根据C→E以及E→Z=1←C刚好相互抵消这一条件，可知E←C→D、E→Z=1←C→D这两条路径也能相互抵消，因此E、D之间仅剩欲研究的因果路径E→D^[12]，此时匹配本身就能实现控制混杂因素的目的。图 1B表示E与D无因果关系时，其基本分析过程与图 1A一致，研究者也可通过匹配获得E与D之间的真实零关联。

（2）匹配性病例对照研究即使用频数匹配或个体匹配的方法确保匹配变量在病例组与对照组之间的分布大致相同。如图 2A所示，当E与D存在因果关联，设图 2中E代表有无口服避孕药服药史（1：有，0：无），D代表是否患有心肌梗死（1：患病，0：不患病），C代表年龄（1：≥40岁，0：< 40岁），Z代表是否纳入研究（1：纳入，0：不纳入）。D→Z=1表示患者比正常人更容易被纳入研究，C→Z=1表示考虑到年龄对是否患有心肌梗死存在影响，故在对照组中年龄较大者更加容易被纳入研究。C与D之间存在3条开放路径C→D、C→Z=1←D、C→E→D，对变量C进行匹配，C与D相互独立，C→D、C→Z=1←D、C→E→D这3条路径相互抵消，意味着C→D、C→Z=1←D之间的净关联不为零，也意味着E与D之间的3条开放路径E→D、E←C→D、E←C→Z=1←D中的2条混杂路径净关联不为零，因此匹配C本身并不能打断混杂路径E←C→D，研究者在数据分析时需对C进行调整才能获得E→D的真实因果关联^[6-7]。如图 2B所示，当E→D无因果关系时，C与D之间存在两条开放路径C→D、C→Z=1←D，对变量C进行匹配，C与D相互独立，C→D、C→Z=1←D这两条路径相互抵消，意味着E与D之间的两条开放混杂路径E←C→D、E←C→Z=1←D相互抵消，因此匹配C打断混杂路径E←C→D，此时研究者在数据分析时不控制匹配因素也能准确获得E与D之间的零关联。

2. 匹配性病例对照研究中匹配变量的选择：

在匹配性病例对照研究中，研究者在选择匹配变量时，并不能确保某欲匹配变量一定为混杂变量或非混杂变量，前者若不匹配则可能导致混杂偏倚，若误将后者匹配则可能造成过度匹配，故本文根据欲匹配变量的不同情况进行如下讨论，为研究者制定匹配变量标准提供一些建议。

（1）如果某一变量表现为对暴露存在明确效应，但是其与结局的关系尚不明确时，其基本DAGs如图 3A所示，其中---加？代表两变量之间的因果关系不确定。若变量之间的真实情况如图 3B所示，C对结局D不存在直接效应，类似于暴露修饰变量^[13]，此时若误将C进行匹配，C在D中各组间分布一致，C与D条件独立，C与D之间的开放路径C→Z=1←D与C→E→D相互抵消，E与D之间产生无法抵消的偏倚路径E←C→Z=1←D，该偏倚路径会削弱E→D的关联强度，从而使得E与D之间的关联趋向于零关联，这是因为当C与E存在关系，对C在D的各组间进行匹配，会导致E在D的各组间分布也趋于相同，此时对C进行调整虽也能获得拟研究因果关系E→D的正确点估计，但是会导致研究的统计效率降低^[5]。若变量之间的真实情况如图 3C所示，C与D之间存在直接关系，即C为混杂因素，对其匹配则是正确的，分析过程与本文前述一致。若变量之间的真实情况如图 3D所示，结局D通过C对暴露E产生因果效应，从而产生循环路径，C为反向效应的中间变量^[13]，根据DAGs的基本规则以及变量之间的时序关系，此时暴露E处于两个不同的时间点，应分为E₀和E₁两个变量，而不是简单的一个变量E，变量之间的因果路径应为E₀→D→C→E₁（如现患病例偏倚），故本文对此不进行讨论。

（2）如果某一变量表现为对结局存在明确效应，但是其与暴露的关系尚不明确时，其基本DAGs如图 4A所示。若变量之间的真实情况如图 4B所示，C与E之间不存在关联，C类似于效应修饰变量^[13]，此时误将C进行匹配，因路径C→D与路径C→Z=1←D相互抵消，虽然匹配C不会对研究暴露结局关联产生偏倚，因为匹配C并不会对结局各组间的暴露分布产生影响，但匹配C会增加研究的工作量、某些病例因不存在对照而丢弃导致的统计效率下降，从而形成过度匹配。若变量之间的真实情况如图 4C所示，C对暴露E存在直接效应，即C为混杂因素，那么匹配则是正确的，分析过程与本文前述一致。若变量之间的真实情况如图 4D所示，暴露E对C存在直接效应，则C为中间变量，此情形在稍后进行详述。

（3）如果某一变量与暴露及结局都存在关系，但是变量之间关联的方向并不确定时，其基本DAG如图 5A所示，其中↔加？代表两变量之间的因果关系的方向不确定。若变量之间的真实情况如图 5B所示，C既是暴露的效应变量，又是结局的效应变量，此时C为碰撞变量^[13]，碰撞变量较为特殊，正常情况下碰撞变量的存在并不会对拟研究的暴露和结局之间的因果效应产生影响，但当对碰撞变量进行调整、控制时，则会引入原本不存在的碰撞偏倚^[14]，此时误将C进行匹配，E与D之间存在E→D、E→C→Z=1←D、E→C←D 3条开放路径，即使后续数据分析对C进行控制，碰撞路径E→C←D也不会关闭，从而造成研究结果存在偏倚^[7]。若变量之间的真实情况如图 5C所示，即暴露可通过C影响结局^[13]，此时误将C进行匹配，E与D之间直接存在3条开放路径E→D、E→C→D、E→C→Z=1←D，匹配会打断因果路径E→C→D，研究者只能获得E→D的直接效应，造成研究结果有偏。若变量之间的真实情况如图 5D所示，C对暴露E存在直接效应，即C为混杂因素，那么匹配则是正确的，分析过程与本文前述一致。

3. 总结：目前对于匹配在观察性研究设计中的作用存在两个误解：匹配本身消除了匹配混杂因素造成的偏倚；如果进行了匹配研究设计，则必须进行“匹配分析”^[15]。本文主要针对第一个误解进行了综合分析。研究结果表明，对于第一个误解，研究人员需注意即使匹配因素为混杂因素，匹配本身也并不能保证结果无混杂偏倚，这取决于研究设计类型。在匹配队列研究中，由于匹配所引入的选择偏倚，抵消了混杂因素固有的混杂偏倚^[16]，因此产生一种类似混杂路径打断的效果，使得研究结果无混杂偏倚^[12]；在病例对照研究中，由于匹配所引入的研究对象选择性偏倚不足以完全抵消混杂因素固有的混杂偏倚，因此需额外地对匹配因素进行调整，才能获得真实的因果关联^[16]，虽然当暴露与结局不存在因果关联时，由于匹配混杂因素引入的研究对象选择性偏倚可完全抵消混杂因素固有的混杂因素偏倚，因此不需额外地对C进行调整，即可获得E与D真实的零关联，但是客观世界研究中，研究者事先无法得知E与D之间是否存在因果关联，因此在匹配性病例对照研究的数据分析中，控制匹配因素值得推荐。

在匹配性病例对照研究中，研究者不能确定某一候选的欲匹配变量一定为混杂变量或非混杂变量，若对其进行匹配，则可能因匹配非混杂因素而产生类似过度调整偏倚^[17]，若不进行匹配，则可能因遗漏混杂因素导致混杂因素控制不完全，从而导致混杂偏倚。本文根据不同的变量情形进行了详细分析，认为研究者可根据具体情形来提出候选匹配变量的选择标准。如果某一变量C表现为对暴露存在明确效应，但是其与结局的关系尚不明确时，虽然C可能为暴露修饰变量，从而形成过度匹配，导致统计效率下降，但若C为混杂因素，不匹配会导致混杂偏倚，考虑到匹配C的损失和收益，在此情形下研究者似乎可以对C进行匹配；如果某一变量C表现为对结局存在明确效应，但是其与暴露的关系尚不明确时，虽然C可能为效应修饰变量，但对其进行匹配并不会引入额外的偏倚，而是某种程度上增加研究工作量以及因不存在对照而丢弃某些病例导致的统计效率下降，但若C为混杂因素，不匹配会导致混杂偏倚，因此研究者似乎也可将其纳入匹配的考虑范围；此外即使某变量C与暴露和结局都有关联，匹配也应谨慎考虑，因为混杂变量与碰撞变量、中间变量仅仅通过关联是很难区分的，研究者需要对变量之间的因果方向有明确的认识，且对碰撞变量、中间变量进行误匹配的后果往往比误匹配暴露修饰变量、效应修饰变量严重，会对研究结果产生不可逆的偏倚^[18]，而不仅仅是损失统计效率和增加工作量的问题。综上所述，研究者在选择候选匹配变量时，应明确变量之间的因果关系，并根据不同的情形进行综合的考量。

本文利用DAG的优点，图形化、直观化地将匹配在各种研究设计、各种匹配因素情形下的变量之间因果关系图进行展示，对于厘清匹配在流行病学研究设计中的作用具有一定的积极意义，提示研究人员在研究设计以及数据分析时，尽可能的利用DAG将研究设计、各变量之间关系进行图形可视化，有利于指导数据分析与研究结果的评价。本研究存在不足，首先，研究为了简明易懂，未考虑数据缺失、存在测量误差以及各个变量之间的效应存在交互作用等情况下的各个变量之间的因果关系图，而这些情形下的因果关系图将更为复杂，但更接近实际情况；其次，本次研究仅利用DAG对匹配在各种情况下的因果关系进行了定性分析，具体的匹配对因果关系估计的影响大小，尤其对因果关系的区间估计的影响仍待进一步研究。

利益冲突  所有作者均声明不存在利益冲突