研究说了什么
幸存者偏倚在研究里至少有三个入口。入组时，只招募能到场、能签字、能完成问卷的人，重病者与机构居住者被系统性排除，队列从一开始就偏向健康者。随访时，死亡与失访让后续测量只发生在存活者身上，把死亡当删失处理会高估发病风险，因为死去的人再也无法被诊断为痴呆或癌症；竞争风险模型如 Fine-Gray 能把死亡作为竞争事件，病因别风险与累积发生率函数给出的答案不同。登记时，病例登记依赖确诊与上报，早期死亡、未就医者与轻症患者可能缺席，发病率因此被低估。左截断是长寿研究的核心问题：只观察到活到七十岁、八十岁的人，之前的暴露与死亡信息缺失，用普通生存模型会把幸存者的特征当成保护因素。校正方法包括以年龄为时间尺度、条件生存模型与逆概率加权，权重依赖模型设定。另一个细节是入组时的排除标准，排除认知障碍者会让痴呆研究从起点就失去最可能发病的人。另一个入口是诊断本身，痴呆与癌症的登记依赖患者是否就医，而就医行为与教育和收入相关，城乡登记的完整度差异会让地区比较失真。
为什么重要
长寿研究几乎无法回避这个问题。百岁老人队列里的吸烟比例、饮酒比例与体重分布，反映的是活到一百岁的人的样子，不是普通人能否长寿的原因。把他们的习惯当作长寿秘诀，等于只采访了中奖者。蓝区的年龄验证也受出生登记完整性影响，历史上登记不全的地区更容易出现极端年龄。长寿家族研究若只招募有多位长寿亲属的家庭，遗传效应的估计会被选择过程放大。对读者，识别方法是看研究有没有纳入死亡与失访信息，是否报告了参与流程与排除原因。对临床，把生存者特征当风险因素会制造错误的建议，比如从百岁老人身上得出轻微超重更长寿的结论，而队列研究显示中年肥胖增加死亡风险。对政策，只统计存活者的照护需求会低估失能负担，也会把已经去世的高风险人群从成本估算里抹掉。对生物标志物研究，只测存活者的指标还会产生另一种偏差：指标本身受濒死过程影响，临终前的下降被误读为保护因素。把死亡前若干年的测量排除能减少终末衰退的干扰，但排除窗口的选择又带主观性。
证据与边界
校正依赖假设。左截断模型要求存活到入组年龄的概率只取决于已观测协变量，若与未测因素相关，校正仍有偏。竞争风险模型区分病因别与亚分布风险，选错目标会给出不同结论，论文需要说明估计的是哪一种。失访原因也很关键，因搬迁失访与因病失访对结果的影响完全不同，前者近似随机，后者与结局相关。一个典型失败案例是把百岁老人的吸烟比例与一般人群比较，得出吸烟不影响长寿的结论，忽略了吸烟者在中年前就已死亡，根本没有机会进入百岁队列。另一个问题是登记系统的年龄夸大，部分地区因养老金激励而虚报年龄，极端年龄被高估。看到长寿研究，先问入组条件、死亡登记与年龄验证方式，再看结论。若研究只报告存活者的指标均值，而没有给出同期死亡与失访人数，读者无法判断样本还代表谁。另一个边界是年龄验证，出生证明、洗礼记录与人口普查之间的不一致，需要用多种来源交叉核对，单靠自报年龄的研究说服力有限。对极端年龄报告，人口学年龄验证是基本门槛，没有验证的百岁比例不宜直接比较。