你在回归里多加一个协变量时，心里想的是“排除混杂，更干净”。但在因果推断里，有一类变量叫 collider（碰撞变量），控制了它，反而会在 X 和 Y 之间打开一条本来不存在的相关路径。这不是哲学提醒，而是能算出数字的偏倚。

经典例子是 Berkson 的医院偏倚（Berkson, 1946）。设人群中疾病 A 与疾病 B 完全独立，患病率都约 10%。住院条件是“得了 A 或者得了 B”。只看住院病人（相当于把住院状态 Z=1 固定下来/控制 Z），这时 A 与 B 会出现明显的负相关：在没得 B 的住院病人中，几乎每个人都得了 A；而得了 B 的住院病人中，得 A 的概率仍约 10%。一个在人群中独立性完美的 X-Y 关系，就这样在“控制”Z 之后变出了负相关。

类似的机制在现代流行病学里反复出现：控制中介变量会吞掉总效应；控制碰撞变量会制造虚假保护效应（比如低出生体重悖论，Hernán 等 2002 年有专文讨论为什么吸烟在新生儿死亡分析中出现“保护性”）。所谓“肥胖悖论”“吸烟者活得久”，很多都是选择与分层的幽灵。

所以“控制越多越好”是这个学科里最贵的直觉错误。现代因果推断的关键不是保守地把所有变量都塞进模型，而是先把因果图（DAG）画出来，再找最小充分调整集——有时候，不控制某变量恰恰是正确做法。

值得追问的是：因果图本身是研究者的先验判断。如果两个团队给出不同的 DAG，统计程序无法用数据直接宣告谁对。那我们究竟应该把因果推断称为“科学”，还是“结构化的先验＋数据”？如果那部分主观性无法消除，它能获得超过观察性相关性的客观性吗？