减重数字里的中介比例：分清单位与因果

同一个百分号可能在回答不同问题

读到一个百分号，可以先在旁边补上一句问话：这是某类人数占全部人数的比例，某个量相对于起点的变化，还是一个估计量在另一个估计量中所占的份额？三种问题都可能写成百分比，却没有共同的分母。把它们放进同一句话之前，需要先还原各自的计算对象。这样做不是挑剔表达，而是决定后面的加减乘除是否有意义，也决定读者究竟能够从结果中推出什么。

本页先保留一小块真实研究资料，供读者核对问题的来历，后续再用明确标出的假设数值练习。读研究时，出处说明承担着限定适用范围的作用，不能被一个醒目的数字取代。若对药名、产品名和服务名之间的关系尚不熟悉，可以先分清成分、产品与服务，再判断一条说法所指的对象。以下背景与表格应连在一起阅读；后面的教学演算另有自己的设定。

参与者是无糖尿病的超重/肥胖成人，经12周强化生活方式干预减重至少5%并符合其余条件后，随机接受每周皮下注射替尔泊肽或安慰剂；替尔泊肽目标为最高耐受剂量10或15mg，治疗期72周。 SURMOUNT3事后探索分析：采用疗效集，限已用至少一剂且有终点体重数据者，排除停药后数据。中介为恶心、呕吐或腹泻；分母是相对安慰剂的总治疗效应。症状未随机分配；未校正随机后混杂及多重检验，不足以确立因果。Lilly资助。

[6]

体重变化的分母是起点体重

先做一个完全虚构的单位练习，设起点体重为80个相同的重量单位，后来为72个。变化量是后来减起点，得到−8个重量单位；再除以起点80，便得到−10%。负号表示相对于起点的下降，百分号说明变化已经用起点作了标准化。这里没有实际人物，也没有药物效果。保留这两层意思，就不会把下降的重量、下降的比例和最后剩下的重量混写成同一种数量。

同一个虚构记录如果改用另一种重量单位，起点、后来和变化量都会按同样的倍数改变，比例则保持不变。因此，百分比适合表达相对于起点的变化，但它也舍去了绝对大小的信息。只知道一个比例，仍须知道相应的起点，才可能换回重量单位。相反，只给变化量而不给起点，也不能知道它相对于原来的规模有多大。这是表示方法的取舍，不是哪一种单位天然更真实。

群体摘要还多了一道计算顺序的问题。先分别计算每条记录的变化比例再求平均，与先把重量合并再算比例，一般不会自动得到相同答案，因为后一种算法让不同起点带有不同权重。阅读平均值时，应当保留原来的统计对象，而不能把它当成某一条个人记录。即使一个算式对群体定义得很清楚，也没有因此获得描述某个具体人的全部信息。例如，把每条记录视为同样重要，与按起点大小赋予不同权重，体现的是两种不同的汇总选择。没有先说清楚这种选择，就无法判断两份摘要的差异来自数据，还是来自算法。

两个百分比之间的距离要用百分点

继续使用原创假设，假定甲、乙两组的体重百分比变化分别为−12%和−4%。按甲减乙的顺序，相减得到−8个百分点；如果只谈两者相距多远，距离大小是8个百分点。这里的百分点是两个百分比之间的差，不是又一次除法。正负号与相减顺序相连，距离大小则不带方向。先把顺序写出来，能够避免仅凭负号就断定结果好坏，或把较大的绝对数误读成较大的上升。

这两个虚构数值既不是个人的起点与终点，也不是同一个人先后经历的两个阶段。它们代表两组各自的摘要，因此相减回答的是组别摘要之间的差异。如果把这个差解释成每个人额外改变了多少，就从群体比较跳到了个人反事实；算术本身没有提供这一步所需的信息。理解一个差值，必须同时知道被减的两个量是什么，而不能只保留计算器最后显示的答案。

百分点与相对百分比最容易在省略分母时混淆。若问题只是两个百分比的差，减法已经完成任务；若想问差值相对于某个参照量有多大，才需要另做除法，并交代为什么选它作分母。后一种表达还会受到参照值接近零等情况影响。需要进一步练习时，可继续分辨百分比与百分点。先确认问题，再决定计算方式，比追求更醒目的数字更可靠。

中介比例的分母换成了总效应

现在建立一个新的假设模型，只用正数表示效应的大小。设总效应大小为8个百分点，划入间接部分的大小为0.4个百分点，那么间接占比的演算是0.4÷8=5%。分子和分母原来具有相同的单位，相除后单位抵消，留下的是份额。这一步解释了为什么一个中介比例不是体重变化量：它描述的是模型中两个效应估计的关系，而不是直接描述体重本身如何改变。

可以把假设算式完整读出来：零点四个百分点，占八个百分点的百分之五。若将最后的百分之五改读为五个体重变化百分点，就等于把已经抵消的单位重新放了回去，所说的数量随之改变。同样，算式的分子不是有症状的人数，分母也不是全部人数，所以不能解释为多少人出现某种情况。判断解释是否合适，最直接的办法就是把分子、分母的名词逐一念出。

还有一个数学边界需要保留：占比只有在分母的定义和数值允许时才有清楚含义。若某个假设模型的总效应接近零，较小的数值波动也可能让比值明显变化；分母等于零时，这个比值便无法计算。本页的正数例子只展示容易辨认的单位关系，并不宣称所有模型都能分成整齐的饼图。若实际分析带有方向或相互抵消的部分，还必须按照相应的效应定义阅读。

总效应一变，相同比例也会对应不同大小

教学图中的模型甲和模型乙都是为本页构造的假设，与上方研究读数没有数值联系。模型甲的总效应大小为8个百分点，间接部分为0.4个百分点；模型乙的总效应大小为16个百分点，间接部分为0.8个百分点。两次除法分别是0.4/8与0.8/16，得到相同的5%。相同份额并未让两个间接部分变得一样大，因为它们所参照的整体大小不同。在这两套刻意设为相加关系的例子中，减去间接部分，余下大小分别是7.6与15.2个百分点。它们只是按教学设定算出的剩余部分；一个算术差值不会自行命名或证实另一条生物学机制。

读这张假设图时，横轴衡量的是效应大小，所以总条形和其中的间接部分都用百分点表示。占比则作为文字说明出现，不应另画一根同轴的百分比柱子，与百分点比较长短。图形的用途是把两种数量之间的关系放到眼前，而不是给虚构例子制造临床分量。读者可以沿着每根条形核对整体和部分，再回到除法，确认图形与计算表达的是同一个关系。

反过来，如果只有假设占比而没有总效应，就无法唯一恢复间接效应大小。把比例乘回一个总效应，需要确认二者来自同一套定义、同一比较和同一计算对象；随手借用另一个数值并不能补齐信息。配套CSV仅记录这幅教学图的虚构数值，便于复算，不是另一份临床数据。下载后还应保留假设标记与列名，否则单独流传的数字很容易失去原来清楚的用途。

假设演算：比例相同，变化量不同

虚构模型	总效应（百分点）	间接效应（百分点）	其余部分（百分点）	间接占比（%）
模型甲	8	0.4	7.6	5
模型乙	16	0.8	15.2	5

下载假设教学图（SVG）下载假设演算数据（CSV）

CSV只含本教学图的虚构数值，不含上方研究表的数据。

模型里的路径需要额外假设

用字母建立一个抽象示意：A表示所比较的处理，M表示预先定义的中间变量，Y表示最后关心的结果。假设作者想讨论一条经过M的联系，以及其余没有经过这个定义下M的联系。这样的结构能够帮助整理问题，但画出箭头并不等于看见了箭头背后的原因。模型首先告诉我们准备怎样组织变量；它是否足以支持因果解释，还取决于哪些条件成立、哪些量能够被可靠测量。

反事实问题会要求比较同一对象在不同设定下的结果，而一条实际记录无法同时展示所有这些状态。中介分析中的某些问题甚至需要设想处理条件与中间变量状态的不同组合。因此，从观察到的记录连接到目标量，需要额外的识别假设，而不仅是选择一种计算软件。这里的识别可以理解为：现有资料和假设是否足以把想问的量确定下来，而不只是得到一个能够输出的数字。估计有多精确与目标量能否被识别也要分开。即使某种计算给出很窄的误差范围，也不会因此证明连接记录与反事实的假设成立；精度不能替代所缺少的条件。

在这个抽象模型里，直接效应指没有归入所选中介通路的部分，不能自动扩展为全部已知药理机制的清单。改变M的定义，模型划分问题的方式也可能改变，但这不表示人的身体因此改变了运作方式。阅读时可以问：作者划定的中间变量是什么，哪些联系被放在它之外，还有哪些前提没有由图示本身保证？这些问题使模型术语回到它实际承担的解释范围。

随机分配治疗并不会随机制造症状

再设想一项完全虚构的研究：开始时用随机方法把对象分到处理甲或处理乙，随后才记录一个中间状态。最初的分配程序控制的是处理归属，并没有同时替后来的所有状态抽签。如果研究者后来按是否出现该状态重新分组，新组的形成规则已经不同。理解这两次分组的区别，才能看清随机化的价值具体作用在哪个问题上，也不会把一种设计优势不加区分地转送给所有后续比较。

为说明可能的混杂，再在这个虚构例子中设一个未记录的特征U，并假定它同时影响中间状态的报告与最终结果。此时，按报告状态分出的两类对象可能带有不同的U分布；即使最初的处理分配很严谨，两类摘要之间的联系仍可能混入这项共同影响。这个设定只是展示一种可能结构，不是在断言真实研究里存在某个特定遗漏因素，更不是替某项结果寻找未经验证的解释。

分析中加入更多变量，也不能仅凭数量就保证问题解决。需要问它们为何进入模型、在什么时间测量、与处理和中间状态分别是什么关系，以及是否可靠记录了相关信息。尤其是处理开始后才发生的变量，随意调整可能改变原本要回答的问题。读者不必自己重建模型，但可以区分两种说法：某项假设已经有依据，与只因为计算中出现了一个变量名就认为假设已经成立。

测量、时间顺序和敏感性分析

把一个经历压缩成有或没有，是一种明确的测量选择。用虚构记录作例子：短暂出现一次与反复出现多次，都可能在一个二元栏位中留下相同标记；该栏位本身不会保存强度、持续情况或先后顺序。这并不意味着二元记录没有用途，而是它回答的问题比较有限。若之后想讨论另一个问题，就要确认需要的信息是否曾被保留下来，而不能从同一个标记里重新读出没有记录的细节。

时间顺序同样需要实际记录支持。设想两个原创教学情境，一个中间状态的变化发生在结果测量之前，另一个发生在之后；若只剩下最终的两个标签，原本不同的情境可能看起来一样。先后顺序虽然不能单独证明因果，却会影响一条因果解释是否连基本结构都说得通。还应留意不同对象是否以相同方式被询问和记录，否则测量规则的差异也可能成为比较的一部分。

敏感性分析可被理解为有计划地改变某项假设，查看结论依赖它的程度，而不是为了挑一个最顺眼的答案。以抽象练习来说，可以事先说明改变哪条记录规则、保持哪些条件不变，再观察解释是否稳定。多个设定得到的结果集合，不会仅因有上下限就自动成为置信区间。对上方真实资料，应回到它已经明确列出的说明；这里的测量练习不补造该资料没有展示的额外分析。

小比例不能决定症状是否值得重视

一个模型份额描述的是估计量之间的关系，症状对生活的影响则是另一个问题。即使在纯粹假设的模型中，某条路径分到的份额很小，也不能由此推断沿途的经历轻微，更不能把不舒服当作获益的必要条件。把两个问题分开，并不削弱统计解读的价值；它只是要求每个结论使用能够回答它的资料，而不让一个容易计算的比例代替其他本来需要单独了解的事情。

准备临床沟通时，可以先把自己读到的说法写成问题，而不是把它写成自行执行的安排。例如，说明自己想理解的是一个模型单位，还是眼前某种不适的意义，两者需要的信息并不相同。对于沟通渠道和责任分工，可了解临床沟通由谁负责。统计练习的作用是帮助提出准确的问题；能否回答个人处境，还取决于与该处境有关的资料和专业判断。

Zepbound说明书警示严重胃肠反应及脱水相关肾损伤；不建议重度胃轻瘫患者使用。症状严重或持续，应联系医护人员。 FDA：调配制剂未经批准。 阅读具体产品资料时，应把名称、文件日期与问题范围一起保留，避免将一个页面上的结论随意转到另一个对象。需要梳理产品身份时，可核对产品的批准与调配边界。这一步是在核实自己究竟讨论什么；本页的假设算式不提供判断某个具体产品表现的依据，也不构成治疗安排。

[4] [5]

把因果问题写得足够明确

把想问的因果问题写完整，通常比先找一个更复杂的公式有用。假设问题是改变某个中间状态是否会改变结果，就需要说明改变它的具体方式、比较什么替代情境、对谁实施以及何时观察结果。不同操作即使都被称为改变同一状态，也未必构成相同的问题。因此，观察到两类人的平均数不同、用模型分出一个部分、提出一个可实施的干预，是三个需要分别交代证据的步骤。

下面的概念表把这三个步骤并列，帮助读者检查推理在哪一处换了问题。若从材料中只能得到关联，就应把尚需的条件写出来；若已有模型分解，则应继续问其假设与目标量；若要讨论干预，则须有支持该具体操作的证据。这种读法也适合练习如何核对广告中的研究说法：先辨认对方所作的主张，再判断它给出的材料是否回答了同一个问题。

遇到服务资料时，可以分别查看Ro的资料评析与查看Noom的资料评析，练习辨认带日期的文件究竟在说明什么，而不替任何机构填补没有展示的证据。这些阅读入口不是疗效比较。完成一轮核对后，最有用的产出往往是一句范围清楚的判断：哪些信息已有依据，哪一步仍依赖假设，若要进一步下结论，还需要哪一种资料。