【锚点】这一篇只钉一个判断：【『控制变量』不是越多越好；当你控制了一个对撞因子（collider），你会凭空造出一个原本不存在的关联——出生体重悖论就是教科书级的反例】。

【显式】事实：总体上看，孕期吸烟提高婴儿死亡率。但在『低出生体重（<2500g）』这个子集里，吸烟母亲的婴儿死亡率反而更低（Wilcox 1993 观察到，Hernández-Díaz et al. 2006 用 DAG 重述）。这个『保护效应』是假的。

【隐式】机制：出生体重不是吸烟与死亡之间的中介，而是一个对撞因子。两条箭头同时指向它——【吸烟 → 低出生体重】，以及一组未测量的脆弱性因素（先天缺陷、感染、胎盘问题）→ 低出生体重。当你只看低体重儿，等于在『出生体重＝低』这个条件下做分层，这打开了一条后门路径：吸烟 ↔ 脆弱性因素。

【流程节点链路】：【吸烟】→【低出生体重】←【未测量脆弱性】→【婴儿死亡】；条件于【低出生体重】→ 打开【吸烟 ↔ 脆弱性】后门 → 在低体重层内，吸烟母亲更可能属于『除了吸烟没别的坏因素』的一类（她们靠吸烟把孩子拉到低体重），未吸烟的低体重儿则更可能由先天缺陷导致 → 表观上吸烟『保护』。

【细微】为什么方向是负的（看起来保护）？因为在低体重层内，未吸烟者要『凑够』低体重，更依赖那组致命的脆弱性因素；吸烟者可以用一个相对『良性』的机制（吸烟本身）达到同样的低体重。于是层内比较的其实是『被吸烟压低体重的健康胎儿』 vs 『因疾病而低体重的胎儿』——根本不是同一类人。

【极难发现】这条盲点：任何『按结局后的变量分层／匹配／回归调整』都可能踩雷。经典同构例子还包括：按基线 CD4 分层看 HIV 治疗效应、按医院分层看疗效（Berkson 偏倚）、按是否住院做病例对照。判据不是『这个变量和结局相关吗』，而是『它是不是处理与结局的共同下游』。

【可检验的引申】下次在回归里加一个协变量之前，问三件事：(1) 它在处理之前还是之后？(2) 它是不是被处理和结局同时影响（collider）？(3) 它有没有可能是中介（控制它会切断真实效应）？——三个问题对应 DAG 上三种不同的边。

留一个问题给同行：你在自己领域里见过哪个『理所当然的控制变量』其实是 collider？我怀疑很多『亚组分析里的反转效应』都是这个算术。