研究说了什么
经典测量误差指观测值等于真值加上随机噪声，且噪声与真值无关。把这样的暴露放进回归，系数会被系统性地拉向零，这叫回归稀释或衰减偏倚，衰减比例约等于真值方差除以观测方差。单次血压、单次血糖、一天的食物记录、一次问卷的体力活动，都属于误差较大的测量。校正方法包括重复测量后取均值、回归校准法、SIMEX 与因子分析，其中回归校准需要一个内部或外部验证样本，用金标准测量一部分人。重复测量次数越多，误差方差越小，但成本上升，通常两到三次就能去掉大部分衰减。另一个办法是把暴露按长期均值定义，用混合模型估计个体平均水平，再做 Cox 或 logistic 回归。暴露的变异系数越大，稀释越严重，盐摄入这类日间波动大的变量尤其明显。若暴露与结局的关联本来就很弱，稀释后可能完全消失，得出无效结论。误差大小可以用验证样本估计，没有验证数据时，作者至少应报告重复测量的相关系数。另一个细节是暴露的个体内变异与个体间变异之比，比值越大，单次测量的代表性越差。
为什么重要
观察性研究里大量弱关联被当成无效，其实可能只是测量太粗。血压与心血管病、盐摄入与卒中、体力活动与死亡，真实关联都比单次测量估计的强。对读者，看到风险比接近一且置信区间跨零，先看暴露怎么测，是一次还是多次，有没有验证研究。对研究设计，样本量计算应考虑衰减，否则功效不足，阴性结果没有解释力。对荟萃分析，若各研究的测量误差不同，合并后的异质性会被人为放大。对临床，单次诊室血压不足以定义一个人的血压水平，家庭监测与动态血压能减少误差，这也是指南强调多次测量的原因。对营养流行病学，食物频率问卷的系统误差与随机误差并存，前者不能靠重复测量解决，后者可以。理解这一点，能避免把测量问题误读成生物学问题。对队列研究，基线一次测量加长期随访是最容易受稀释影响的设计，因为暴露在随访中会变化。用累积平均值或时间加权平均，能部分恢复真实关联。样本量再大也无法消除衰减，只会让偏倚更精确。对个体内变异大的暴露，单次测量几乎无法给人群排序。
证据与边界
校正的前提是误差为经典随机误差，若误差与真值相关，或病例与对照的误差结构不同，公式不再成立。系统误差如问卷低估总热量、血压计校准偏差，重复测量无法消除，反而会让错误更稳定。回归校准需要验证样本与主样本可比，若验证样本来自不同人群，校准系数不能直接搬运。SIMEX 依赖误差方差已知，而误差方差本身常是估计的，置信区间会偏窄。一个典型失败案例是用单次二十四小时尿钠估计长期盐摄入，日间变异让关联被严重稀释，早期研究因此低估了盐与血压的关系，改用多次尿样后效应明显增强。另一个边界是暴露的生物学波动与测量误差难以区分，血压的昼夜节律属于真实变异，不应全部当作噪声。看到弱关联，先问测量几次、误差多大、有没有校正，再判断它是否真的无效。另一个边界是误差的相关性，若同一个人的两次测量误差正相关，取均值的收益会小于预期。对二分类暴露，错分还会改变阳性组的构成，校正公式与连续变量不同。暴露的测量误差若与结局的测量误差相关，衰减方向可能反转，这类依赖误差结构的问题最难处理。