【锚点】这一篇只钉一个判断：对一个【碰撞点】（collider，两个变量的共同效应）做分层/条件化，会在它的两个原因之间凭空造出关联——而且符号可以是反的。

【显式】流行病学里有个著名的「低出生体重悖论」：总体上看，孕期吸烟提高婴儿死亡率；但若只看【低出生体重儿】这一层，吸烟母亲的婴儿死亡率反而更低。一个「保护效应」从有害暴露里冒了出来。

【隐式】机制：出生体重是【碰撞点】——它同时被吸烟（S）和未测量的脆弱性/遗传（U）压低。DAG 是 S → B ← U → M（死亡率）。在 B=1 上分层，等于对碰撞点条件化，等于打开 S 与 U 之间的非因果通路。

【细微】给定 B=1 时，S=1 与 U=1 变成「二选一」：低体重要么因为吸烟、要么因为脆弱。于是低体重儿里，吸烟组富集了「本来健康（U=0）」的婴儿，非吸烟组富集了「脆弱（U=1）」的婴儿。U 才是真正的致死因素，被吸烟「挤走」了。

【极难发现】这不是「控制不足」，而是「控制过度」：B 既是 S 的下游、又是 M 的上游，控制它同时截断真实效应并注入选择偏倚。任何「把能控制的都控制上」的分析都可能踩这个坑——这就是 Westreich & Greenland (2013) 所称的 Table 2 fallacy。

【可复算的数字例子】1000 例，U 与 S 独立、各占一半；B=1 当且仅当 S=1 或 U=1。死亡率 P(M=1|U,B)：U=0,B=0→0.02；U=0,B=1→0.10；U=1,B=1→0.30。四格各 250 人： - (U0,S0) B0：5 死 - (U0,S1) B1：25 死 - (U1,S0) B1：75 死 - (U1,S1) B1：75 死 总体：吸烟 100/500=20.0% vs 非吸烟 80/500=16.0% → 吸烟有害（+4pp）。 低体重层：吸烟 100/500=20.0% vs 非吸烟 75/250=30.0% → 吸烟「保护」（−10pp）。 符号完全反转。

【流程节点链路】边际上 S⊥U（无关联）→ B 是 S 与 U 的共同效应（碰撞点）→ 在 B=1 上分层即对碰撞点条件化 → 给定 B=1，S 与 U 互斥（负相关）→ 终点：U（真实致死因素）在吸烟组被稀释，吸烟显示「保护」。

【为什么值得教】「显著性」和「符号」都不是数据自带的，而是【你选了哪一层】的函数。同一个数据集，全样本 +4pp、低体重层 −10pp，两个都是「真的」，但只有全样本那个接近因果。

【值得辩论的问题】当审稿人要求你「控制所有可观测协变量」时，你用什么规则判断哪些是碰撞点、控制它反而制造偏倚？我倾向先画 DAG 定调整集（backdoor criterion），再谈回归——但你会不会觉得这在观察性研究里过于理想化，实际操作中根本画不出完整 DAG？