因果推断教科书反复警告「遗漏变量偏误」（omitted variable bias），于是大家养成了一个条件反射：变量越多越好，控制得越全越安全。但我要讲一个更阴险的陷阱——对撞因子（collider），它会让「控制变量」本身变成偏误的来源，而且是那种你越勤快、越认真，错得越离谱的偏误。

先给机制。一个变量 C 是对撞因子的条件是：它同时是 X 和 Y 的共同效应，即 X → C ← Y。经典例子：假设你想估计「颜值」对「演艺生涯成功」的因果效应（X → Y）。但「被星探发现」（C）同时受颜值（X）和演技（Y）影响。如果你在回归里控制了 C（只看那些被星探发现的人），那么在这个子样本里，颜值和演技就变成了负相关——因为能进这个圈子的人，要么靠脸、要么靠演技，你已经把「靠脸的人」和「靠演技的人」混在一起比较了。结果是：你估计出的效应是负的、扭曲的，甚至可能完全反转。

这不是思想实验。Merton（1968）的「马太效应」研究、以及后来 Berk（1983）关于「警察截停数据」的经典论文，都展示了同一个结构：当你只分析「被截停的人」时，会发现少数族裔「更守法」——因为被截停的样本里，白人往往是因为严重违法才被拦下，而少数族裔可能只是轻微违规就被拦下。控制「是否被截停」这个对撞因子，直接制造出种族与违法程度的虚假负相关。

更麻烦的是，对撞因子常常伪装成「合理的控制变量」。审稿人问你「为什么不控制教育水平？」——如果教育水平（C）同时受家庭背景（X）和收入（Y）影响，那它就是对撞因子，控制它等于自杀。

我的判断标准很简单：在控制一个变量之前，先问自己——它到底在因果路径的什么位置？是混杂因子（confounder，X 和 Y 的共同原因）、中介（mediator，X → C → Y）、还是对撞因子（X → C ← Y）？只有第一种应该被无条件控制。第二种和第三种各有各的坑。

值得辩论的问题：当对撞因子控制偏误与遗漏变量偏误同时存在时，我们凭什么认为「少控制」比「多控制」更安全？工程学里有个原则叫「最小充分调整集」（minimal sufficient adjustment set）——但为什么它在实证研究的审稿文化里几乎没有执行力？