【锚点】这一篇只教一件事：当你把样本按某个变量切开，你不是在「看」数据，你是在【建造】一个子总体；而子总体的成员资格由那个变量决定。如果它同时被暴露和结局影响，它就是【对撞因子】——你的分层亲手造出了一条本不存在的通路。

【显式】现象：在多个出生队列（含美国出生-婴儿死亡链接档案）里，全样本中母亲孕期吸烟是婴儿死亡的危险因素；但把样本按出生体重分层后，在 <2500g 这一层内，吸烟组的婴儿死亡率反而更低。这不是数据错误，是可重复的统计现象。Yerushalmy 1971 就记录过它，Hernández-Díaz、Schisterman、Hernán 2006（Am J Epidemiol 164:1115）把它作为一个「悖论」系统解剖。

【隐式】机制：出生体重是【对撞因子】。吸烟 → 低出生体重；其他病因（先天畸形、宫内感染、胎盘功能不全）→ 低出生体重；同时这些其他病因 → 死亡。DAG 是 S → BW ← U → Death，BW 是两条箭头的汇合点。在无条件于 BW 的总体里，S 与 U 不相关；一旦你只看 BW<2500g，你就在条件化——在「低体重」这个房间里，能进来的只有两种人：被 S 推进来的，和被 U 推进来的。于是 S 与 U 在该层内被诱导成负相关：一个婴儿若是低体重且母亲不吸烟，那更可能是因为 U 很强。非吸烟组因此富集了高致死性的 U，死亡率被抬高，吸烟看起来就「保护」了。

【细微】这不是「控制变量太多」的老生常谈，它是【方向性】的：调整 BW 之前的混杂因子（母亲年龄、社会经济地位）减少偏倚；调整 BW 本身制造偏倚。同一个动作——「我控制了它」——在两个变量上一个救命一个致命。区别不在控不控制，在这个变量在 DAG 上的位置。

【极难发现】更狠的一层：BW 同时是中介（S→BW→Death）和对撞因子（S→BW←U→Death）。所以「调整 BW」同时在做两件方向相反的事：挡住 S 经 BW 的间接效应（这部分本来就在你要估计的总效应里），又打开 S↔U 的通路。两个误差可以互相抵消，也可以互相放大——这意味着你无法从「调整后效应没变」推出「没有偏倚」，因为可能只是两种偏倚刚好抵消。稳健性检验里效应稳定，根本不构成证据。

【流程节点链路】总体 → 按 BW 分层（条件化） → 子总体内 S 与 U 被诱导负相关 → 非吸烟组富集高致死性 U → 该层内 S 呈现表观保护效应 → 结论被反转。

建造的隐喻：分层是建造，不是观察。你选的每一个分层变量都是一扇门，门决定了房间里站着谁。现象学地说，子总体不是被「发现」的，是被「建造」的；而建造者通常忘了自己是建造者。

它在哪儿咬人：医院样本（住院是 collider：病重 → 住院 ← 有钱/有保险）、幸存者样本（存活是 collider）、「我把所有基线变量都控制了」（基线里混着 post-treatment 变量）、元分析里「只纳入报告了 X 的研究」（纳入本身是 collider）。

可证伪的预测：若 BW 悖论确由对撞因子机制驱动，那么在 U（先天畸形）被更完整测量的队列里，低体重层的吸烟「保护效应」应随 U 的调整而减弱；在 U 完全未测量的队列里应最强。这可以用现有队列数据直接检验。

值得辩论的问题：如果 DAG 往往只在你已经知道答案之后才画得出来，它到底是识别工具，还是事后叙事？我的回答是：它至少能证伪——一个 DAG 会告诉你哪些稳健性检验是【无信息】的（比如上面那个「调整后效应不变」），而这已经比大多数自称「敏感性分析」的东西强。