吃还是不吃 这是个问题｜打开健康新闻的正确姿势

按：

朋友圈里亲朋好友转发的健康资讯大家都不陌生，诸如“想要减肥必须戒掉的十种食物”、“这几种食物让你远离高血压”，或是“西蓝花可抗病减肥”，食物似乎成了保持身体健康的良方，西谚也有“An apple a day, keep the doctor away”。 食物相克、日常保健等各种主题的文章被我们身边的一些人奉为“圣经”。

有心的朋友大概发现了，健康资讯不仅多，还时常互相打架、前后相悖。比如，今天看到一条研究结果证明咖啡对身体的负面影响，明天可能就会发现另一条新闻称“咖啡对身体大有好处”。健康资讯为什么自相矛盾？媒体上的健康报道到底可不可信？是不是其中一些是“假新闻”呢？所以是不是应该只从一些权威媒体获得这类型的资讯呢？大多数时候，人们会下意识地判定问题一定出在媒体身上。

根据国外的最新研究，健康报道的不准确性，可能并不单归咎于媒体的不严谨，也并非媒体在传播“假消息”，而是和健康研究本身的局限性有关，只不过媒体和研究报告大多选择性忽略这些因素，片面放大研究结果。艾米莉·奥斯特（Emily Oster）是芝加哥大学布斯商学院（University of Chicago Booth）的经济学副教授。她指出，事实上，由于人们并非随机选择吃一种食物，人们的饮食习惯常常和其收入、教育、文化等因素有关，也就是说，很可能是其他条件决定了我们的健康，而不是食物本身。

传媒研究（id：xjbcmyj）选取了该研究的部分内容进行了编译，试图回答为什么从新闻中不可能获得可靠的饮食建议。

翻看任何报纸、杂志或是网站一周之内更新的内容，你都不难发现一些关于饮食的研究报道。可能本周你会看到脂肪对你有好处，咖啡则对健康有害的观点。或者，脂肪对人体有害，但咖啡有利于健康。如果你是这类文章的长期读者，或是抱持“基于证据做出选择”观点的人，你一定不会忽略一种现象：这类不断更新的文章常常自相矛盾。你很难相信所有的研究都是同时正确的。

对于一个大部分时间都在做研究的人来说，媒体很容易被误认为是没有参考广泛背景而截取了片面的结果。当然，我们的确经常看到一些以标题吸引目光的做法，比如“西红柿会引起心脏病发作吗？”，尽管答案是“否”。但在我看来这都不是主要的问题，至少这不是唯一的问题。相反，最主要的问题是，报道所引用的研究本身就带有显著的偏见。

饮食研究就是一个最好的例子。大多数对饮食的研究都是类似的：研究人员征集一组人进行采访，询问他们的饮食习惯，筛选出符合其理想模型的人选，然后将他们所报告的饮食选择与体重或心血管健康等结果联系起来。但这些研究有一个明显的问题，即人们并不是随意选择食物的。当你查看整体数据中一种特定食物，并试图了解它的影响时，不可能只考虑单一种类食物对人体的影响，因为诸多因素都会影响人们选择吃何种食物。

在许多情况下，我们很难判断一种食物究竟对身体有利，还是有害。以咖啡为例，一方面，有喝咖啡习惯的人平均受教育程度更高，也更经常主动锻炼。另一方面，他们倾向于吸更多的烟。因此可能是这些差异共同导致了人们健康的差异，而不仅仅是咖啡。研究人员通常应该控制这些变量，让结果更科学，但调整不同的因素常常导致不同的结果，于是乎咖啡有时看起来是好的，有时候却很糟。

目前已经发表的研究通常都承认这个问题是存在的，有时候媒体报道也会提到这一点，它在学术上有许多不同的名称：不可避免的残余混杂（residual confounding）, 忽略变量偏差（omitted variable bias）, 选择性偏差（selection bias）,“相关但不代表因果关系”（correlation is not causation）。通常情况下，这件事会被草草交代了事，读者大多会看到一行字：“我们的研究具有局限性，部分因素可能尚未被考虑到。”这种做法给我们留下的印象是，这些因素在实际上影响很小。

实际上是如此吗？或者这就是饮食研究里不可避免的？

为了搞清楚这个问题，我打算做一个新尝试：拆解所谓混杂（confounding）带来的误差，以个人整体的饮食方式来判断食物和体重的关系。我决定用一流的采集数据和标准的分析工具来回答一个简单的问题：“哪些食物能让人变瘦？”

为了做到这一点，我发起了一项名为“国家健康和营养检查调查”（National Health and Nutrition Examination Survey，简称NHANES）的数据搜集活动。调查结果是具有代表性的，能够涵盖全美人口的健康数据。例如，在全美超重报告中，研究人员会对调查对象进行实际的称重并记录数据，而不是依据他们自行报告的体重。

这项研究还包括一个全面的饮食模块。众所周知，饮食数据很难收集，但这项调查采用了目前最好的技术——两天回忆法。调查参与者被要求回忆两天的所有食物消耗，他们被要求列出他们吃的所有东西。这种方法比直接询问人们通常会吃哪些东西要靠谱，因为人们容易忘记在办公室聚会上吃的蛋糕，或是看电视时吃的薯片等。

基于这些回忆，个人饮食的极端细节大都能呈现出来，比如苏打水、蓝莓、花椰菜等更小的食物。一旦拥有了这个清单，就可以用回归分析的方法把人们是身体质量指数（简称BMI）和每种食物的消耗量联系起来，判断两者是否具有关联。

我总共统计了将近300种食物，下图显示了排名前10的“瘦身”食物和“肥胖”食物。

这份研究结果并非出人意料。大部分人都认为快餐比蔬菜对健康更不利，但当我看到排名最靠前的“瘦身”食物时，突然意识到可能食物并不是最好的解释胖瘦的方式。最有利于减肥的食物们是诸如蒲公英绿色食品、大豆制品（豆腐和豆豉）、藜麦之类，这些也是高收入人群最常食用的食物。收入较高的人往往由于饮食以外的很多原因而享有更利于健康的生活。

在别的类目中这种结果更加明显。下图显示了吃下的食物和人们受教育程度的关系。红色的食物将增加BMI，蓝色则降低BMI。受教育程度较高的群体更经常食用有利于降低BMI的食物。

这些数据强烈地表明了教育可能是更重要的变量。以素食的小组为例来看，蒲公英叶（Dandelion greens）比芝麻菜（arugula，一种沙拉常见蔬菜）更容易让人变瘦，而这两者都比更常见的莴苣更有利于瘦身。那些受过高等教育的人占据了食用蒲公英叶比例的很大一部分，然而，我们很难解释蒲公英叶为什么会比莴苣更利于减轻体重，因为这些食物在卡路里上几乎没有区别。

在下图中，我们还可以看到一些有趣的结果。在数据统计中，苏打对减肥不利，但大部分都是受教育程度低的人在饮用。反之，红葡萄酒、巧克力对减肥有利，也是更高收入人群频繁消费的食物种类。

此外，在左下方的象限里，玉米饼和干豆对体重减轻较有帮助，尽管大多是受教育程度低的人食用，而右上象限，我们发现黑麦面包对体重控制不利，却是受高等教育的人更偏爱食用的。这说明了教育并非唯一和我们的饮食习惯相关的变量，种族和文化也发挥了作用。

为了达到这个目的，我用BMI和教育水平的关系做了图表，但是我可以很容易地画出相同的图，比如说用心脏健康替代BMI，或者用它替代教育水平。我也可以使用收入来替代，无论人们是否锻炼，或者是否有固定的医疗场所。所有这些分析将呈现相同的模式。

以上图表证实了食物选择不是随意的——它们明确指出，食物选择与那些可能导致人类健康差异的重要特征密切相关。

上面的分析是我们所说的“原始相关性”。如果你仔细阅读有关饮食的文章，你会发现一件事，研究人员通常会认为，这些原始相关性可能是由行为选择所驱动的。然后他们会继续“控制”各种事物，包括教育水平或收入。其含义是，调整教育变量可以解决这些问题。

我可以在这里实现同样的事情。为了做到这一点，我在回归分析中对教育变量进行了调整。这使得BMI水平和食物消费水平随我的控制教育变量而变化，并寻找两个非控制变量之间的联系。当我做这个的时候我不仅要考虑教育，还要考虑收入、种族和婚姻状况。

一方面，很明显这些调整带来了不同。在最下面的图表中，这条线是比较平坦的，它表明教育和健康之间有联系，而且被分离出来了。这有利于我们了解真相。然而，如果唯一的问题是教育——如果我们的教育变量完美地反映了人们之间的所有差异——这条线不仅不会那么陡峭，它会完全持平。上图中散点分布的食物看起来就像是随机收集的——比如麦片或花生酱。

但这不是我们看到的。尽管有这些控制变量的措施，我们的问题仍然存在。如果你看第一个图表，我们的前10组和后10组的食物非常相似。即使是第二个图，在水平线上，也显示出一个显著的下降。这说明它们仍然有明确的联系。