我正在起草一篇关于当前公共卫生问题的文献综述，其中数据混淆：
在公共卫生政策和立法中故意或错误地使用无效或混淆的关系或推论时，公共卫生/流行病学教育中使用的常见历史案例研究有哪些？
1960 年代汽车死亡人数激增以及随后以证据为基础、由政府主导的研究确定安全带和最终安全气囊应该是法律要求的，这是一个很好的例子，说明公共卫生政策应该如何由统计上强大的推论和模型驱动。
我正在寻找更多相反类型的案例（草率制定政策的糟糕科学）。但是，如果不出意外的话，我想了解更多与前面关于成功的公共健康益处的有力研究示例类似的案例。
我想用这些作为例子来展示基于证据的统计公共卫生研究对政策制定的重要性。
我认为这方面最好的例子可能是关于激素替代疗法和心血管风险的争议——大型队列流行病学研究似乎表明了一种保护作用，并且根据这些信息提出了健康政策和医生建议。
随后的随机对照试验似乎表明，接受HRT 的女性患心肌梗塞的风险实际上增加了。
这有点反复，并已被用作攻击流行病学作为一个领域的典型案例之一，但Hernan 最近的重新分析似乎表明，如果你认为这两项研究实际上并没有不一致的结果确保你问同样的问题。
我个人喜欢的一个非常有趣的例子来自 Steven D. Levitt 和 Stephen J. Dubner 的 Freakonomics 一书。书中有一章讨论了相关性与因果关系。两个统计变量之间的相关性并不一定意味着这些变量在统计上是相关的，但是专家们在这些方面犯了一个错误。引用书中的一段话：
“小儿麻痹症是一种棘手的野兽，研究人员很难确定它。他们无法弄清楚它是如何通过的或它何时/如何表现出来的。我们倾向于记住这次脊髓灰质炎‘流行’事实上，它并没有影响到大部分人口（例如，与更常见的麻疹相比）。它被视为流行病的原因是因为它太可怕了。
研究人员在他们的研究中设法确定的是，脊髓灰质炎感染率在夏季上升。他们还看到夏季冰淇淋消费量上升。因此他们得出结论，食用冰淇淋会导致小儿麻痹症，并且冰淇淋一度被妖魔化。"
在他的论文“统计模型和鞋革”（1991 年）中，大卫弗里德曼介绍了流行病学研究中的一些警示故事。他认为斯诺对伦敦霍乱的分析是成功的，这不是因为统计建模，而是因为勤奋的数据收集。这是摘要：
至少自 1899 年 Yule 发表了一篇关于贫困成因的论文以来，回归模型已被用于社会科学。回归模型现在用于在各种应用中进行因果论证，也许是时候评估结果了。无法给出明确的答案，但本文持相当消极的看法。斯诺在霍乱方面的工作被描述为基于非实验数据的科学推理的成功故事。还讨论了失败的故事，比较可能会提供一些见解。特别是，本文表明，统计技术很少能充分替代良好的设计、相关数据以及在各种环境中针对现实测试预测。
社会学方法论。21：291-313。
1990 年代高剂量化疗联合骨髓移植抢救治疗晚期乳腺癌的案例就是这样的一个例子。一系列低质量的研究被用来推动一些州强制要求医疗保险公司承保的立法。当大型随机试验完成时，没有可衡量的益处。