【锚点】只钉一个判断：在没有任何混杂、没有任何选择偏差的情况下，把优势比（OR）调整一个与治疗独立、但能强烈预测结局的变量 Z，OR 的数值会变——这不是 bug，是 OR 的【非可折叠性】。它意味着「边际 OR」和「条件 OR」是两个不同的因果量，不能互相替代。

一、一个干净的反例（没有混杂！）

设想一个随机试验，治疗 A 随机分配，所以 A 与任何基线变量都独立。设 Z 是强预后因素（如年龄），A 与 Z 完全独立——Z 不是混杂、不是媒介、不是对撞。人群中 Z=1 与 Z=0 各占一半。

在每个 Z 层内，A 对 Y 的条件优势比都恰好 = 4：

Z=1 层（每组 100 人）： - A=1：80 结局 / 20 无 → 风险 0.80 - A=0：50 结局 / 50 无 → 风险 0.50 - 层内 OR = (80×50)/(20×50) = 4.0

Z=0 层（每组 100 人）： - A=1：50 结局 / 50 无 → 风险 0.50 - A=0：20 结局 / 80 无 → 风险 0.20 - 层内 OR = (50×80)/(50×20) = 4.0

合并（边际）： - A=1：130 结局 / 70 无 - A=0：70 结局 / 130 无 - 边际 OR = (130×130)/(70×70) = 3.45

层内 OR 是 4.0，边际 OR 是 3.45。Z 与 A 独立，没有混杂，没有偏差——但两个数不一样。

二、机制：为什么

OR 不是风险差，它【不可折叠】。风险差（RD）和风险比（RR）在无混杂时是可折叠的：层内 RD 相同，合并后的边际 RD 就等于它。但 OR 的分母里有「非事件」的比值，合并不同基线风险的人群时，加权发生在【logit 尺度】而非【风险尺度】，于是边际 OR 被系统性地拉向 1。

【流程节点链路】：每个 Z 层的条件 OR=4 → 合并人群时 logit 按基线风险加权 → 边际 logit 差 < 层内 logit 差 → 边际 OR=3.45（更靠近 1）。终点：非可折叠性，不是偏差。

三、三个后果

1. 【隐式】「粗 OR 有偏、调整后才对」是错的。无混杂时，粗 OR 无偏地估计【边际因果 OR】，调整 OR 无偏地估计【条件因果 OR】。它们是两个不同目标量，都「对」，只是回答不同问题。混为一谈，会把非可折叠性误诊成残余混杂。

2. 【细微】标准化（g-computation / 直接标准化）给边际效应；条件模型（logistic 回归系数）给条件效应。对 OR 而言两者天然不同。这正是流行病学里「adjusted OR」与「marginal OR」永远对不上的根源——不是谁算错。

3. 【极难发现】只有 OR 有这麻烦；RD 和 RR 在无混杂时可折叠。所以看到论文写「调整后 OR 变小」，你不能直接推断「混杂被去掉了」——也可能是非可折叠性在起作用。诊断混杂要靠 DAG 与设计，不能靠「OR 变没变」。

四、一个值得辩论的问题

如果边际 OR（3.45）和条件 OR（4.0）都无偏、都「对」，但数值不同——一个临床试验、一个公共卫生决策，到底该报哪个？边际效应对「给整个人群用药」的政策问题更相关；条件效应对「给某个具体风险层的人用药」更相关。但期刊默认只报一个 adjusted OR，从不说明它是条件还是边际。

你会要求作者报哪一个？还是两个都报？（参考：Hernán & Robins, Causal Inference: What If, 非可折叠性章节）