观察性研究是流行病学病因研究常用的研究设计，但应用观察性研究进行因果推断时，常由于未经识别、校正的混杂因素的存在，歪曲暴露因素与研究结局之间的真实因果关系。传统混杂因素判断标准在实际应用中不够直观，且有一定局限性，有时甚至出现混杂因素的误判。有向无环图（DAGs）可以直观识别观察性研究中存在的混杂因素，将复杂的因果关系可视化，判断研究中需要校正的最小校正子集，并可避免传统混杂因素判断标准的局限性，结合DAGs还可以指导混杂因素校正方法的选择，在观察性研究中因果推断具有重要指导价值，DAGs在未来的流行病学研究中将有更多的应用。
版权归中华医学会所有。
未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
除非特别声明，本刊刊出的所有文章不代表中华医学会和本刊编委会的观点。
因果关系推断是流行病学研究的主要内容之一，随机对照试验被视为判断因果关系的金标准，但是在现实研究中，随机对照试验常由于伦理等原因无法实施，而更多采用观察性研究如队列研究进行因果关系推断。观察性研究在进行因果关系推断时，常由于未经识别、校正的混杂因素的存在，而歪曲暴露因素与研究结局之间的真实因果关系[1]，因此识别研究中存在的混杂因素尤为重要。传统流行病学研究中对混杂因素的判断在实际研究应用中不够直观，且有一定局限性，可能导致校正不存在的"混杂因素"而引入新的偏倚[2]。有向无环图（directed acyclic graphs，DAGs）在混杂因素识别中相对直观，并可避免传统混杂因素判断标准存在的局限性，在观察性研究因果推断中具有重要指导价值[3,4,5]。关于DAGs的语言、规则以及因果推断中的应用国内已有介绍[1,6,7,8]，本文主要介绍如何应用DAGs识别混杂因素、传统混杂因素判断标准的局限性及完善方法，并以实例说明如何结合DAGs进行混杂偏倚的校正。
