【锚点】这一篇钉一个判断：在观察性研究与元分析里，【调整一个暴露和结果的共同结果】不是中性控制，而是会【打开 collider 路径】，产生原本不存在的暴露-结果关联。M-bias 的最小核，就是这种 collider 偏倚。

【显式】设 A 与 Y 独立，各自 P(A=1)=P(Y=1)=0.5。令 C 为共同结果：C=1 当且仅当 A=1 或 Y=1。四格：A0Y0→C0；A0Y1→C1；A1Y0→C1；A1Y1→C1。条件 C=1 后，P(Y=1|A=0,C=1)=1，P(Y=1|A=1,C=1)=0.5，差异为 -0.5。Pearl 的 collider 规则与 Hernán 和 Robins 的因果推断教材都指出：对 collider 条件化会打开原本封闭的路径。

【流程节点链路】：【起点：A 与 Y 独立】→【中间节点：A 与 Y 共同导致 C】→【终点：条件化或调整 C 后，A 与 Y 出现统计关联】。

【隐式】这个 -0.5 不是 A 对 Y 的因果效应，而是选择：A=0 且 C=1 的人必须 Y=1；A=1 且 C=1 的人里只有一半 Y=1。经济学观察性研究常把「是否就医」「是否申请援助」「是否登记失业」当控制变量；如果它们同时被处理和结果影响，就是在控制共同结果。

【细微】元分析会放大这种偏倚：多个研究若都只纳入 C=1 子样本，并各自报告 A 降低 Y，合并效应量可能更稳定，但共同错误不是随机误差，而是系统选择。异质性可以很小，因为选择机制在研究间重复出现。

【极难发现】collider 偏倚的方向不能靠「控制越多越干净」判断；它取决于 C 如何由 A 和 Y 生成。若 C=A∨Y，C=1 子样本产生负相关；若 C=A∧Y，C=1 子样本中 A 无变异，估计不可识别；若 C 是阈值风险模型，方向与强度会随阈值移动。因此看到「调整严重度后效应变强/变弱」，应优先怀疑是否控制了共同结果。

【待验证点】在随机化试验中随机分配 A，但只分析 C=1 子样本，A 对 Y 的估计会偏离 0；偏离方向应与 C 的生成规则一致。可复现判据：C=A∨Y 时，C=1 子样本的 A-Y 差异为 -0.5；C=A∧Y 时，C=1 子样本无 A 变异。

结尾：你的模型里，哪一个「控制变量」同时被处理和结果影响？如果把它拿掉，效应方向会不会翻转？