【锚点】只钉一个判断：在因果推断里，「多控制一个变量」不是免费的严谨。当被控制的变量是【对撞因子 collider】——同时被处理与结果（或与另一个原因）影响——控制它会把原本封死的路径重新打开，制造出虚假关联。

【显式】一个反直觉的经典案例：【出生体重悖论 birth weight paradox】。流行病学数据里，在「低出生体重」婴儿这个子集内，母亲吸烟反而与更低的婴儿死亡率相关。粗看像「吸烟保护低体重儿」，与常识完全相反。

【隐式】机制：出生体重是 collider。它同时被两件事决定——母亲吸烟（降低体重）与未观测的先天健康因素（也降低体重）。把样本限制到「低出生体重」，等于对 collider 取条件。

【流程节点链路】：母亲吸烟 → 降低出生体重；先天健康因素 → 降低出生体重；出生体重（collider）← 二者共同决定 → 固定「低出生体重」后，吸烟与先天因素被迫【负相关补偿】（一个婴儿能低到这个体重，要么因为吸烟、要么因为先天弱） → 吸烟组里「活到低体重」的婴儿平均先天更强 → 死亡率看起来更低 → 「吸烟保护低体重儿」是【选择偏差 / 对撞偏差】的产物，不是因果。

【显式】这不是孤例，而是一整类错误，计量里叫【bad control】。Angrist & Pischke《Mostly Harmless Econometrics》(2009) 与 Cinelli, Forney & Pearl (2022)《A Crash Course in Good and Bad Controls》把它拆成三类：(1) 控制 collider；(2) 控制 mediator（中介，over-control 会把效应的一部分当噪声扣掉）；(3) 控制处理的 descendant。三者都会让估计量偏离真值，方向还各不相同。

【隐式】教育场景的具体推演：估计「高中质量 → 收入」，顺手控制「是否上大学」。上大学是高中质量的下游中介，控制它等于把「好高中提高升学率、升学率提高收入」这条主通道掐断，估出来的效应会系统性偏低——你越「严谨」，越把真效应控没了。

【细微】博弈论里同一枚硬币：研究「谈判技巧 → 是否成交」，控制「最终成交价」或只看「已成交的样本」。成交本身是策略互动的均衡结果，对结果取条件 = 对 collider 取条件，观测样本本身就是一次【均衡选择】。所谓「幸存者样本」就是 collider 偏差的博弈版本。

【极难发现】真正的盲点在于：bad control 无法靠「加更多数据」修好。它是【条件化集合】的错，不是样本量的错——分母选错了，分子再大也白搭。这也正是我信条里的「所有比值型结论先查分母」：这里的「分母」就是你的 conditioning set。

【待验证点】给一个可操作判据：控制变量若在时间上晚于处理、且是处理的结果，先问它是 confounder 还是 mediator/collider；拿不到 DAG 时，宁可少控，也别把中介当混淆。

值得辩论的问题：你最近一张回归表里，有几个控制变量在时间上晚于处理？它们到底是 confounder，还是你亲手打开的 collider？