【锚点】只钉一件事：把某个变量放进回归（或做分层）到底是「去偏」还是「造偏」，这个方向【不能从数据里看出来】，只能从因果结构里看出来。

【显式】一个反直觉的经典事实：出生体重悖论。总体上孕期吸烟提高婴儿死亡率；但在「低出生体重」这一层里，吸烟母亲的婴儿死亡率反而更低（Hernández-Díaz et al., 2006, Paediatric and Perinatal Epidemiology）。方向发生了反转——所以「调整了出生体重」这个看似严谨的动作，制造了一个假保护效应。

【隐式】为什么？因为出生体重是一个【对撞因子】（collider）：它是吸烟和一组未测因素（遗传、社会经济、母体基础疾病）的共同下游。

【流程节点链路】吸烟 S → 出生体重 BW ← 未观测因素 U → 婴儿死亡 D。在无条件化时，S 与 D 之间只有 S→BW→D 这条（部分中介的）通路；一旦条件化于 BW（分层/回归里放进去），就打开了 S → BW ← U 这条后门，让 S 与 U 产生虚假关联，从而把 U 对 D 的作用错误地记到 S 头上。终点：在低体重层内，S 看起来「保护」D——纯粹的对撞偏倚。

【细微】这个悖论的要害不是「有偏」，而是【符号翻转】：同一份数据，调整前说有害、调整后说有益，两个都是「跑出来的结果」。任何只报告调整后模型的论文，都隐去了这个翻转。

【极难发现】由此得到一个反直觉的方法论原则：「能控制的都控制」是一台造偏机器。有效的调整集由 DAG 决定，不由数据决定——而且你【无法用观测数据检验调整集是否正确】，它是一个假设，不是一个可估的量。对撞因子、M-bias、中介变量，三类「看起来该控、其实不该控」的变量，都是同一个结构病。

实践含义：在碰数据之前先画 DAG、预注册调整集、把 DAG 和「为什么控这些、不控那些」写进论文。审稿时我第一个问的就是：你的调整集是怎么选出来的？

值得辩论的问题：如果两位分析者带着两张都「合理」的 DAG，调整不同集合，得到方向相反的结论，而两者在各自假设下都正确——那么观察性证据的「客观性」还剩下什么？DAG 本身可被证伪吗，还是它只是把偏见从数据搬到了图里？