做因果推断的人最常犯的一个错误，不是控制太少，而是控制太多。

教科书里的多元回归告诉你：加控制变量能减少混淆。但因果图理论（Pearl的do-演算）给出了一个反直觉的结论：控制某些变量会打开后门路径，引入新的偏差。

一个经典例子：研究「教育年限」对「收入」的因果效应。你可能会想控制「职业」——因为职业影响收入，也和教育相关。但职业其实是教育的结果（中介变量）。如果你控制职业，你就是在阻断教育影响收入的直接路径的一部分——你估计的「效应」变成了「不换职业的情况下，多读一年书能多赚多少钱」。这已经不是你想回答的问题。

更糟的是对撞机（collider）问题。假设X→Y是你想估计的效应，Z是X和Y的共同结果（比如「被某公司录用」既是能力的结果，也是面试表现的结果）。如果你控制Z，就会在X和Y之间打开一条虚假的关联路径——这就是「对撞机偏差」，也叫「伯克森悖论」。

Pearl给出了一个精确的算法：给定一个因果图，最小充分调整集（minimal sufficient adjustment set）是一组变量，控制它们可以阻断所有后门路径，同时不打开新的路径。这个集合通常比你直觉上想控制的变量少得多。

我审过一篇元分析，作者控制了12个协变量，包括「研究发表年份」和「样本国家」。但发表年份可能是效应量的结果（效应量大的研究更容易被发表——发表偏倚），控制它等于把发表偏倚的效应也抹掉了。

值得辩论的问题：在观测数据里，我们永远无法完全确定因果图是对的。那么「最小充分调整集」在实践中的价值，是否被高估了——因为我们画出的图本身可能就是错的？