你比较两种疗法时，忘了记录一个很能预测复发的生物标志物。结果就像把高风险和低风险患者混在两个篮子里，再用一个数字概括疗效：这个数字可能变了，但不能简单断言它一定更接近 1，或一定离 1 更远。
这正是 Jong-Hyeon Jeong 这篇论文处理的问题。它研究生存分析——分析复发、死亡或设备故障等事件要多久发生——在遗漏重要协变量后，治疗效果的风险比会怎样失真。论文最重要的提醒不是给出一个固定偏差方向，而是把偏差拆成两条路径，并提出一种模拟方法，试图找回正确模型中的治疗风险比。以下效果与结论均来自这篇单一论文，尚无独立信源交叉验证。
风险比为什么会变
这里的“风险”更准确地说是瞬时风险率（hazard）：在事件尚未发生的人中，下一瞬间发生事件的速率。风险率比（hazard ratio）比较两组的这一速率。风险比为 0.8，表示在模型条件下，一组的瞬时风险率是另一组的 80%，并不等于累计风险降低 20%。
常用的 Cox 比例风险模型还作了一个关键假设：两组风险率之比随时间保持不变。若真实比值不断变化，模型给出的单一风险比只能算一种汇总，而且会受到模型形式和随访过程影响。
论文指出，遗漏协变量后，治疗风险比可能沿两条路径发生偏差。
第一条是“边际化”。假设那个没记录的生物标志物强烈预测复发。模型看不见它，只能把不同风险水平的患者混在一起比较。风险比又具有“非可折叠性”：即使遗漏变量与治疗分配无关，控制该变量后得到的条件风险比，也未必等于混合人群中的边际风险比。
第二条是模型误设。那个协变量原本能让比例风险假设成立；把它删掉，两组的风险比可能开始随时间变化。此时仍强行拟合比例风险模型，又会增加一层偏差。
所以，标题里的问题没有“必然偏向零”或“必然远离零”这样的统一答案。论文只证明了偏差可能来自上述两部分。方向和大小不能脱离具体的数据关系与目标参数来判断。
它想找回哪个数字
作者要恢复的不是遗漏变量后直接看到的边际风险比，而是 target hazard ratio：假如那个协变量能够观测，并被放回正确的比例风险模型，治疗变量对应的风险比。
两者不能混为一谈。前者描述混合人群中的比较，后者是控制遗漏协变量后的条件模型参数。论文所谓“恢复”，针对的是后者。
作者先考察了 frailty model（脆弱性模型）：把未观测到的个体风险差异压缩成一个随机项。模拟中，直接忽略协变量会产生明显偏差；把其指数形式建模为单变量 frailty term，通常能拉回一部分，但整体效果并不令人满意。结果还会受到选择 gamma 还是 log-normal frailty 分布的影响。作者认为，log-normal 在所考察的两类真实分布间平均更稳健，但这仍只是其模拟范围内的观察。
用生存曲线反推参数
论文进一步提出 Tightest Survival Band（TSB，最紧生存曲线带）。它的直觉很朴素：先猜一组参数，再模拟许多份“如果这些参数是真的，我们可能看到什么数据”。每份模拟数据都会产生两条按治疗组区分的 Kaplan–Meier 生存曲线——这种曲线估计某个时间点仍未发生事件的比例，也能利用随访结束时事件尚未发生的删失记录。
重复模拟后，每个时间点都会形成一个生存率范围。作者再检查真实数据的两条曲线有多少时间点落在这些范围内，并在候选参数中搜索覆盖最好、曲线带又最紧的一组。可以把它理解为反复试钥匙：能最贴合地包住实际曲线的那把钥匙，其治疗风险比就被当作 target hazard ratio 的恢复值。
该程序同时模拟治疗分组、未观测风险、事件时间和删失时间。它不直接依赖拟合 frailty model 得到的治疗效应估计，但并非无假设：基线事件时间必须服从 Weibull 分布——一种形状可调的时间分布；遗漏协变量的方差固定为 1。删失则用一个或两个均匀分布来生成。
模拟给了多强的支持
一个数值例子采用每组 1,500 人、真实风险比 0.3，整体删失比例约为 56.3%。在 gamma frailty 情形下，用观测数据估计出的参数生成曲线带时，覆盖系数只有 0.06；换成真实参数后升至 1.00。log-normal 情形下，两者分别为 0.80 和 0.92。这个结果说明，在该设定下，真实参数确实更能生成包住观测曲线的模拟范围。
但目标函数常出现一大片同样最优的平坦区域。以真实风险比 0.5 的一个 gamma frailty 场景为例，每组样本量从 1,000 降至 100 时，达到最大覆盖的候选风险比区间从 $[0.36, 0.62]$ 扩大到 $[0.14, 1.05]$。数据越少，“很多答案看起来都说得通”的问题越明显。作者用最优区间的中点或中位数作为实用汇总。
论文还在多种真实风险比、两组 Weibull 参数以及随机均匀删失或混合删失下进行了模拟。作者称 TSB 能“较好”恢复目标风险比，而且对遗漏协变量的真实分布不太敏感。不过论文没有把这类措辞转化为一个可普遍套用的误差保证。
为什么值得关注
这项工作的价值首先在于纠正一种过度简化的解释：风险比遗漏协变量后，不是只发生普通的“少控制一个因素”。人群混合会改变风险比，比例风险模型还可能同时失效。只盯着最终数字向 1 靠近还是远离 1，会漏掉真正的问题结构。
论文还把校正目标说得更清楚。研究者必须先回答自己想估计的是混合人群的边际风险比，还是正确条件模型中的 target hazard ratio。目标不同，“偏差”一词的含义也不同。
作者把方法应用于 NSABP B-14 III 期乳腺癌试验。该试验比较术后 tamoxifen 与 placebo，安慰剂组和治疗组分别有 1,450 与 1,435 人。论文报告，无病生存的比例风险检验得到 ，治疗效应似乎随时间减弱。这个案例展示了方法如何落到真实数据上，但不能单独证明遗漏协变量确实存在，也不能证明恢复值可识别。
局限与未知
- 所有证据均来自作者自己的模拟和单个临床试验示例。“较好恢复”没有对应统一的误差阈值、覆盖率保证或外部比较基线。
- Weibull 基线和遗漏协变量单位方差并非很弱的前提；联合搜索参数越多，最优区域越平，作者因此建议必要时固定由数据估计的基线参数，但这又引入了估计接近真实值的新假设。
- TSB 找回的是假定正确的条件模型参数，不是遗漏协变量后的边际风险比。它也没有给出风险比偏差的固定方向。