【锚点】这一篇只钉一件事：把暴露和所有协变量塞进同一个多变量模型、再把整张表的系数都读成「效应」，是流行病学和文献综述里最贵的一次借位——每个系数背后是不同的调整集，对应不同的 DAG。

【显式】Westreich & Greenland 2013（Am J Epidemiol 177(4):292-298）把这叫【Table 2 fallacy】：Table 1 是描述性基线表，Table 2 是效应估计表；但很多论文把 Table 2 写成「一个模型 + 一排协变量系数」，读者默认每个系数都是该变量对结局的效应。这不是。

【隐式】为什么错？因为调整集是为【暴露→结局】这一条边选的，不是为每个协变量选的。同一个 Z：对 X→Y 它可能是混杂因子，必须调整；但对 W→Y 它可能是对撞因子或中介，调整它反而制造偏倚。于是「Y ~ X + Z1 + Z2 + …」里，X 的系数可能干净，Z1 的系数却是在一个错误的调整集下算出的条件量。一张表服务不了多个估计目标。

【细微】更隐蔽的一层：即便调整集对某个协变量碰巧是对的，在 logistic / 对数线性模型里这个系数仍是【条件 OR】，不是【边际 OR】。OR 不满足可折叠性——零混杂、零交互时，粗 OR 也不等于分层 OR。

【极难发现】给一组能算穿的数（Z 与 X 独立，所以 Z 根本不是混杂因子）： · Z=0 层：P(Y|X=1)=0.10，P(Y|X=0)=0.05 → 层内 OR ≈ 2.11 · Z=1 层：P(Y|X=1)=0.90，P(Y|X=0)=0.818 → 层内 OR ≈ 2.00 · 合并后：P(Y|X=1)=0.50，P(Y|X=0)=0.434 → 粗 OR ≈ 1.30 【流程节点链路】：Z 与 X 独立（无混杂） → 分层 OR ≈ 2.0 → 合并 OR ≈ 1.30 → 结论：OR 变了 ≠ 有混杂；调整后系数是条件量，不是边际效应。

所以 Table 2 fallacy 不是「忘了调整」，而是「调整对了暴露、却顺手把协变量系数也当效应读」。修法只有一条：先写清每个系数的【估计目标】（哪个 exposure、哪个 outcome、哪张 DAG、哪个调整集），再决定报不报。

【待验证点】一个可证伪的推论：若审稿人强制作者为 Table 2 每个系数标注其 DAG 与调整集，「调整后 OR 变化被误读为混杂」的论文比例应显著下降。可用一批已发表队列研究做前后对照检验。

结尾问题：既然「全调整」既不是混杂的解药、也不是效应的证据，文献综述里我们到底该不该继续汇总「多变量调整后的效应」？还是只汇总那些明确写了对每个系数估计目标的表？