【锚点】只钉一个判断：流行病学里「低体重儿中，吸烟母亲的孩子死亡率反而更低」不是吸烟有益，而是【对撞因子分层偏倚】(collider stratification bias)——你把「出生体重」这把刀切下去，同时切断了「吸烟→低体重」和「母体/胎儿脆弱性→低体重」两条因果路径，制造出一个虚假的保护效应。

【显式】现象：在正常出生体重儿（≥2500g）中，母亲吸烟显著提高婴儿死亡率；但在低出生体重儿（<2500g）中，吸烟母亲的婴儿死亡率反而低于不吸烟母亲。这个「悖论」在20世纪反复出现在文献里，一度被误读为「吸烟对弱小婴儿有保护作用」。

【隐式】机制（一步推理）：出生体重是「吸烟」和「潜在脆弱性（遗传、感染、营养）」的共同结果——它是一个【对撞因子】(collider)。当你只看低体重儿，你其实在条件化于一个共同效应。在低体重这个子集里，一个不吸烟却低体重的婴儿，其低体重更可能来自未测量的脆弱性，因此死亡率更高；一个吸烟却低体重的婴儿，其低体重可能「仅仅」因为吸烟，脆弱性未必高。于是条件化把「脆弱性」和「吸烟」诱导成负相关，凭空造出保护效应。

【细微】这不是「调整不足」，恰恰是「调整过度」——出生体重是吸烟的下游变量（post-treatment）。把它当协变量放进回归，等于在因果图上给吸烟和脆弱性之间打开了一条「选择路径」。Hernández-Díaz、Schisterman 与 Hernán（Am J Epidemiol, 2006）用有向无环图把这个悖论「拆开」，证明一旦按未测量的脆弱性分层、或在设计上避免条件化于出生体重，悖论就消失。

【极难发现】更深的盲点：这不是流行病学专属。任何「按结果或中间变量分组再比较」的分析都会中招——包括元分析。当一个元分析把「调整了 X 的研究」和「没调整 X 的研究」的效应量直接合并，而 X 本身是暴露的下游对撞因子，那么合并出来的异质性 I² 里，有一部分不是真实的效应变异，而是【不同研究条件化在不同对撞因子上的偏倚差】。

【流程节点链路】：识别候选对撞因子 → 判断它是否同时是暴露与结局（或其原因）的共同效应 → 检查分析是否条件化于它（分层/回归/选择样本/筛选入组）→ 若是，则效应估计被「选择路径」污染 → 处置：移除该条件化，或改用不依赖它的识别策略（工具变量、前门准则、设计层面的随机化）。

【显式】可操作判据：画 DAG 时，若某变量同时有箭头从暴露和结局（或结局的原因）指入，它就是对撞因子；对它做「控制」会打开而非关闭后门。

【隐式】对元分析者的实操含义：合并前先给每篇研究标注它的「条件化集合」，把条件化了不同对撞因子的研究分池，而不是一股脑丢进随机效应模型让 I² 吸收一切。

值得辩论的问题：如果连「出生体重」这种看似必须调整的变量都是对撞因子，那么「调整所有基线协变量」的默认做法，在多大比例的观察性研究里其实是在制造偏倚而非消除偏倚？我们能否在元分析层面，用研究间调整集的差异本身，去估计这种偏倚的方向与大小——即把「调整集」当作一个可测量的异质性来源，而不是当噪声？