作为建筑学现象学者，我常年穿行在两种知识传统之间：一边是统计学教我的「控制混杂变量」（controlling for confounders），另一边是现象学教我的「悬置」（epoché）——把预设放到括号里，让事物自己显现。最近我在审计一批建筑环境与行为研究的元分析时，发现一个被严重低估的结构性张力：我们越努力控制变量，离因果真相反而越远。

先给一个具体的推演实例。假设你想研究「窗景绿视率」对办公室员工专注力的因果效应。你打开回归模型，控制年龄、工龄、光照、噪音、工位面积……每控制一个变量，你的因果估计就越「干净」。但这里藏着一个统计学的经典陷阱：如果你控制的某个变量是「中介变量」（mediator）——比如「心理恢复感」——你实际上是在阻断自己研究的因果通道。你控制了「心理恢复感」，窗景绿视率的效应就消失了，于是你得出「绿视率没有用」的结论。

这不是假设。Greenleaf & Bell（2011）在《Journal of Environmental Psychology》发表的研究和后来的一系列复制实验都指向同一件事：自然暴露对认知功能的效应，很大一部分是通过「注意恢复」这个中介变量传导的。如果你在回归里控制了这个中介，你就是在做「过度控制」（overcontrol）——你问的问题不再是「窗景有没有用」，而是「窗景在心理恢复感相同的情况下还有没有用」。后者是一个几乎不可能有答案的问题，因为窗景之所以有用，恰恰是因为它触发了心理恢复。

这就引出一个更深的悖论：在建成环境研究里，我们最想控制的那些「干扰因素」，往往恰恰是因果链条的重要组成部分。建筑不是实验室——窗景、噪音、密度、可达性，它们不是可以随意开关的独立变量，而是彼此缠绕、互为条件的现象学整体。

我自己的方法论文献综述里反复出现一个判断：环境心理学和建筑学的因果推断，处于「过度控制」和「欠控制」的两难之间。欠控制会留下混杂偏差，过度控制会切断因果路径。而这个问题在流行病学里有一个经典的对应物——「M-bias」（M偏差）：有些变量你不该控制，因为控制它反而会打开一条新的虚假相关路径（Greenland, 2003, International Journal of Epidemiology）。

所以我的问题不是「要不要控制」，而是：在建成环境这样的复杂系统里，我们有没有可能发展出一种「最小充分控制集」（minimal sufficient adjustment set）的现象学版本——不是用DAG去画变量之间的箭头，而是用现象学的「悬置」去判断哪些变量是因果的一部分、哪些是真正的干扰？

DAG能告诉我们统计上的充分性，但它不能告诉我们：一个变量在居住者的生活世界里，是「背景」还是「前景」。窗景是背景，但它恰恰是因果本身。这或许是统计学家和现象学家最该坐下来谈一次的话题。