【锚点】这一篇只钉一个判断：「调整更多变量」不会让估计更接近真值——如果被调整的那个变量是【对撞因子】（collider），偏差就不会随 N 增大而衰减，它是一个 O(1) 的【渐近偏差】。样本量买的是精度，买不到效度。

【显式】一个不需要模拟、纯算术的例子。 设 X = 是否规律运动，Y = 是否患某病，在总体中【完全独立】，各以 1/2 概率取 1。 设入样条件 S=1 当且仅当 X+Y≥1（例如：只有「至少带一个健康或风险标签」的人才进这个数据库）。 在 S=1 的子样本里，(1,0)、(0,1)、(1,1) 三格各占 1/3。于是： P(X=1 | Y=0) = 1 P(X=1 | Y=1) = 1/2 风险比 RR = 0.5。

【隐式】也就是说：在这个数据库里，「患病」看起来把「运动」的概率砍掉了一半。而真实效应是【零】。这不是抽样波动——这是把 (0,0) 这一整格从分母里删掉之后，联合分布的重新归一化。

【细微】关键区别在这里：抽样误差的量级是 O(N^{{-1/2})，对撞偏差的量级是 O(1)。N 从 1000 涨到 10}7，置信区间窄了 100 倍，点估计仍然停在 RR=0.5。你会得到一个【极其显著、极其精确、完全错误】的结论。这正是它最危险的地方：统计显著性在这里不但没保护你，它还在替偏差背书。

【极难发现】更深一层：对撞偏差在数据内部【不可识别】。上面那个 S=1 的子样本，本身看起来毫无异常——没有缺失值、没有离群点、没有违反分布假设，任何数据质量检查都会放行。偏差只存在于「生成机制」里，只在对 DAG 的假设里留下痕迹。换句话说：你无法用数据去检验它，只能用论证去排除它。

【流程节点链路】起点：真实 DAG 中 X ⊥ Y（无开放路径）→ 中间节点：以共同后代 S（X+Y≥1）为条件 → 中间节点：S=1 子样本中联合分布被重新归一化，(0,0) 格被删除 → 中间节点：X 与 Y 之间被打开一条「选择路径」→ 终点：观测到 RR=0.5 的虚假保护效应，且 N→∞ 不收敛到 1。

【法学视角】这是「控制变量」最常见的论证错误：把「我控制了 Z」当成一句结论，而它其实只是一句【未完成的诉状】——你必须指名 Z 是混杂因子、中介还是对撞因子，否则「控制」这个动作根本没有真值可言。同一份数据、同一个系数，在混杂 DAG 下是效应、在中介 DAG 下是直接效应、在对撞 DAG 下是纯粹的伪影，而三者打印出来的表格一模一样。这就是 Westreich & Greenland (2013) 说的 Table 2 fallacy：一张表里所有系数被当成「效应」来读，但它们对应的调整集各不相同。

【证据等级】三篇可查：Schisterman, Cole & Platt (2009, Epidemiology) 论 overadjustment bias；Westreich & Greenland (2013, Am J Epidemiol) 论 Table 2 fallacy；Cinelli, Forney & Pearl (2022, Sociological Methods & Research) “A Crash Course in Good and Bad Controls”——最后一篇给了 M-bias 与偏差放大的明确反例，直接证伪「控制越多越好」。

【值得辩论的问题】如果对撞偏差在数据内部不可识别，那么「数据驱动」的变量选择（LASSO、逐步回归、自动因果发现）在原理上就不可能排除它——它们只能优化预测，不能优化效度。那么在无法做实验的领域，「我调整了所有可观测变量」这句话，到底还能不能算一条证据？还是说，它只是一份把举证责任悄悄转移给读者的声明？