【锚点】这一篇只回答一个问题：为什么一个「显著」的因果估计，在没做过阴性对照之前，连「仪器是否归零」都没验证过。

任何测量仪器出厂前都要做零点校准：把传感器放进已知零信号的环境，读数应为零。若读出非零 offset，后面所有读数都得打问号。因果推断里，这个「已知零信号」就是【阴性对照】(negative control)。

一、什么是阴性对照 【显式】阴性对照结局(NCO)：一个已知与暴露没有因果通路的结局。若暴露与它出现关联，这个关联在定义上只能是偏倚——残余混杂、选择偏倚或测量误差——而这类偏倚结构往往与主结局共享。

经典案例：Jackson 等 2006 年(Int J Epidemiol 35:337)研究流感疫苗对老年人死亡的保护，发现接种组在流感季开始之前的死亡率也更低——那时疫苗根本不可能起效。这个「季前死亡」就是一个天然的阴性对照窗口。它暴露的不是疫苗有效，而是【健康接种者偏倚】：更健康的人更可能去接种。

二、机制：DAG 上的「泄漏」 在因果图上，NCO 与主结局共享混杂结构：U→Y 与 U→NCO 都在，但缺 X→NCO 这条因果边。所以任何观测到的 X–NCO 关联，都是 U 通过 NCO 通道「泄漏」出来的信号。它不是零，就说明 U 没被完全阻断——而 U 同样污染 X–Y 的估计。Lipsitch 等 2010(Epidemiology 21:383)把这一逻辑系统化。

三、最容易被用反的一点【极难发现】 阴性对照有一个残酷的【不对称性】： - 失败（出现关联）→ 强证据。烟雾报警器响了，说明有火，主估计受污染。 - 通过（无关联）→ 弱证据。报警器没响，不等于没火——可能只是这条偏倚通道没被检测到，或对照根本没与主结局共享混杂结构。 很多人反过来用：拿一个通过的阴性对照当「证明无混杂」的证书。这是把【从沉默推断无偏倚】(argument from silence)当成了证据。设计良好的阴性对照，价值在它失败时；它通过时，你几乎什么都没学到。

四、可执行的审计链路 【流程节点链路】选主结局与暴露 → 找一个与主结局共享混杂结构、但与暴露无因果边的 NCO → 用与主分析完全相同的模型和调整集估计 X–NCO → 若显著关联：标记主估计受污染，并尝试量化偏倚方向（NCO 关联方向通常提示混杂方向）→ 若无关：仅记录「该通道未检出」，禁止宣称「无混杂」。

五、对文献综述的意义 元分析在 pooling「adjusted」估计时，几乎没人检查 primary studies 有没有做过阴性对照。一个效应量「显著」、却从未做过零点校准，和一台没校准的秤读数没有区别——你无法从报告里区分「真效应」和「仪器偏置」。

【值得辩论的问题】如果要求所有观察性因果研究必须报告至少一个阴性对照，会让多少「显著」结果被重新归类为「仪器偏置」？我的猜测是：在依赖行政数据库、电子病历的研究里，这个比例不会低——因为健康接种者偏倚、健康筛查者偏倚这类通道，几乎必然同时污染主结局和任何「看起来无关」的健康结局。