你有两张表。一张记着某人是否参加运动计划，另一张记着几年后的骨密度。两张表没有统一编号，只能靠出生年份、邮编等信息找出“同一个人”。如果找错了，张三的运动记录可能配上李四的检查结果。后面采用再精细的因果分析，也是在回答一个被悄悄换过的问题。
《Causal Record Linkage》研究的正是这条容易被忽略的误差链。四位作者把记录链接（record linkage——用姓名、生日、地址等字段判断两条记录是否属于同一个人）放进因果推断框架，分析错配和漏配会破坏哪些条件，又能在什么情况下补救。论文的实证部分包括一项美国女性健康研究和一项模拟研究；本文所有方法与效果判断均来自这篇论文，尚无独立复现支持。
错配不只是“数据有点脏”
研究者经常需要把不同来源的数据拼起来。基线表可能包含个人特征和是否接受某种处理，随访表则记录之后的结果。只有把两边属于同一个人的记录连上，才能研究处理是否改变结果。
常见链接方法会给每一对记录打分：共同信息越相似，越可能是同一个人。研究者再设一道门槛，分数超过门槛才算匹配成功。门槛低，会留下更多记录，也更容易把不同的人错连起来；门槛高，错配减少，却会漏掉更多真正对应的记录。
过去，这往往被当作数据清洗阶段的精度权衡。本文换了一个角度：链接决定了分析数据里的“谁对应谁”，因此也会改变因果效应能否被识别。因果识别指的是，仅凭现有数据和一组假设，能否唯一确定想估计的因果效应。两张表连错以后，原本在各自数据源中成立的假设，未必还适用于拼接后的数据。
最先松动的是“一致性”
因果推断常依赖三个条件：一致性、正值性和条件可交换性。
一致性（consistency）要求，一个人实际接受某种处理后观察到的结果，应当对应这个人在该处理下的潜在结果。潜在结果可以理解为“如果此人接受或不接受处理，分别会发生什么”。我们通常只能看到其中一种情况。
记录错配会直接破坏这层对应关系。如果运动记录来自甲，骨密度来自乙，表中的结果便不再是甲在该运动状态下的结果。作者认为，在他们研究的设定中，假链接首先威胁的就是一致性。
这种破坏可能形成衰减偏差（attenuation bias），也就是把原本的效应向零方向冲淡。论文把来源分成两类：一类是处理状态不一致，例如接受处理者被配上未接受处理者的结果；另一类是协变量不一致，例如年龄、BMI 等个人特征来自不同的人，使依赖这些特征的调整失准。
不过，“衰减”不能理解成所有链接错误都只会让结果变小。论文分析的是特定假设和估计方法下的情形。若错配与处理、结果或协变量有关，偏差也可能放大效应，甚至改变方向。
作者还考察了正值性——每类个人特征下，都要有机会观察到接受与未接受处理的人。链接会缩小样本，有限数据中可能因此缺少某些组合。相比之下，论文认为条件可交换性，也就是控制已知混杂因素后两组可以比较，并不会被链接过程本身破坏。
门槛越严，也不一定越稳
直觉上的补救是提高链接门槛，只保留最有把握的配对。这样确实能减少假链接，却带来第二个问题：留下来的人可能不再代表原始人群。
原因很具体。信息更有辨识度的人更容易被找回；资料较常见、彼此相似的人则更容易被漏掉。比如某些罕见的特征组合可能容易确认，而大量常见资料反而难以区分。成功链接样本与基线总体之间于是出现协变量偏移——年龄、地区、BMI 等特征的分布发生变化。
如果处理效果会随这些特征变化，链接样本中的平均效果就不等于目标总体中的平均效果。这形成抽样偏差。于是，门槛选择面对两股相反的力量：放宽门槛，假链接增加，一致性和内部有效性受损；收紧门槛，漏链接增加，样本代表性和外部有效性受损。
这也是论文最值得关注的判断：链接质量不能只用“配对准不准”评价，还要看这些配对最终服务于什么推断目标。一个在链接指标上更保守的规则，未必能给出更可靠的总体因果效应。
补救要分成两步
作者把总偏差拆成两部分。第一部分是由假链接造成的衰减偏差；第二部分是由选择性漏链接和协变量偏移造成的抽样偏差。拆开以后，补救路径也更清楚。
第一步是控制假发现比例，也就是已宣布成功的链接中，有多少其实连错了。在理想条件下，提高门槛可让假发现趋近于零，恢复一致性。但论文同时强调，这会牺牲链接样本的规模与覆盖范围。另一条思路是用全部相关混杂因素参与链接，让错误配对至少在因果相关特征上足够相似；现实中这些变量未必同时存在于两张表，因此并非总能做到。
第二步是把链接样本中的效果推广回目标总体。作者讨论了三类广义处理效应方法：g-formula 先在链接样本中学习“不同特征的人会得到什么结果”，再按基线总体的特征分布汇总；加权方法给链接记录重新分配权重，使其整体上更像基线总体；双重稳健方法把结果模型与权重模型结合，只要其中一个模型设定正确，估计仍可能保持一致。
这些方法能修正选择带来的抽样偏差，却不能自动修复假链接造成的衰减偏差。换句话说，不能先随意连表，再指望因果模型把错误全部消化。作者主张先把链接可靠性控制到可接受程度，再讨论从选中样本向总体推广。
为什么值得关注
这项工作的意义不在于再发明一种更高分的链接算法，而在于重新划定责任边界。数据整合不是因果分析之前可以封箱处理的准备工作。链接规则、因果目标和推广方法需要一起设计。
它也给出一个实用的判断顺序：先问错配是否已经破坏“处理属于谁、结果属于谁”的对应关系；再问成功链接的人是否仍代表目标总体；最后才选择估计方法。如果假链接无法控制，或推广所需条件明显站不住脚，论文认为应谨慎解释，严重时应放弃因果推断。
局限与未知
- 目前证据来自同一篇 arXiv 论文，尚无独立团队复现或外部评述。
- 供稿全文片段未包含女性健康数据和模拟研究的完整结果表，无法报告样本量、错误率、偏差幅度、置信区间或具体参数。
- 补救方案依赖若干条件，包括假链接得到控制、链接样本与目标总体仍有足够的特征重叠，以及结果模型或权重模型设定合理；这些条件能否在具体项目中成立，需要逐项检查。