我们经常谈论偏倚，好像它总是在统计分析的某个环节出现。
但有时候，问题发生得更早：
我们到底测量了什么？
假设一项研究想了解某种暴露是否会增加疾病风险。
暴露通过参与者自我填写的问卷进行测量。
结局则通过一个并非具有完美敏感度的诊断检测来确定。
两个变量都不是完美的。
统计模型可能完全适用于它所接收到的数据。
但如果这些数据并不能准确代表真实的暴露和真实的健康结局呢？
这就是**测量偏倚（measurement bias）**需要被认真考虑的地方。
当暴露、结局、混杂因素或其他变量没有被准确测量时，就可能产生测量误差。
其中一个重要例子是错误分类（misclassification）：研究对象被错误地归入某个暴露类别或结局类别。
而它造成的影响取决于错误是如何发生的。
如果错误在不同组之间分布相似，关联可能会被削弱——但这绝不是一个普遍规律。
如果不同组中的测量错误不同，结果可能更加复杂，甚至可能把估计值推向远离零效应的方向。
再来看回忆偏倚。
假设研究人员在参与者已经被诊断出疾病之后，询问他们过去是否有过某种暴露。
患病者可能会以不同于未患病者的方式回忆或报告过去的经历。
问题并不只是“答案有一点不准确”。
测量本身的过程可能已经与结局相关。
这就可能产生差异性错误分类（differential misclassification）。
类似的问题也存在于许多现代数据来源中：
📱 可穿戴设备
📝 自我报告行为
🧪 诊断检测
🏥 电子健康记录
💊 药物数据库
🌐 在线问卷
更多数据并不一定意味着更好的测量。
对一个存在系统性测量误差的变量收集一百万个观察值，并不会让它们自动变成一百万个准确的观察值。
统计方法也有自己的边界。
我们可以调整已经测量的混杂因素。
可以对不确定性进行建模。
可以进行敏感性分析。
如果有条件，还可以使用验证数据。
但我们无法简单地通过回归模型“消除”那些从一开始就没有被正确测量的信息。
因此，测量质量应该成为研究设计的一部分，而不是等到统计分析阶段才考虑的问题。
在问：
“我应该使用哪种模型？”
之前，不妨先问：
“这个变量究竟有多准确地代表了我真正想研究的对象？”
因为，即使对测量不佳的变量进行非常复杂的分析，也可能只是非常精确地回答了一个错误的问题。
而精确，并不等于有效。