【锚点】这一篇只钉一个判断：在 OR/HR 尺度上，把「调整前后效应量的变化」当作「混杂大小的读数」，是系统性错误。因为 OR 本身不可折叠。

【显式】一个零混杂的反例。二分类 Y、暴露 X、协变量 C，且 C 与 X 完全独立（所以 C 不是混杂因子）。设条件 OR 在两层都恰好等于 3.0： · C=0 层：P(Y=1|X=0)=0.10，P(Y=1|X=1)=0.25 → OR=3.0 · C=1 层：P(Y=1|X=0)=0.40，P(Y=1|X=1)=0.667 → OR=3.0 · 取 P(C=1)=0.5 边际风险：X=0 时 0.5×0.10+0.5×0.40=0.25；X=1 时 0.5×0.25+0.5×0.667=0.458 边际 OR = (0.458/0.542)/(0.25/0.75) = 2.54

调整前后 OR 从 3.0 掉到 2.54，混杂量精确等于零。

【隐式】所以「调整后效应衰减」不是混杂的指纹。它是 logit 链接的非线性 + 各层基线风险异质性共同产生的算术后果。你看到的衰减，是估计量在边缘化下换了身份，不是偏倚被扣掉了。

【细微】同一份数据换成风险差（RD）就完全可折叠：C 与 X 独立时，边际 RD 就是条件 RD 的加权平均，调整前后不变。于是同一份数据，RD 说「没混杂」，OR 说「衰减了」——两个都对，因为它们问的是不同的泛函。这就是为什么 meta 分析里把 OR 和 RR 直接混池是错的：不是尺度不同，是目标参数不同。

【极难发现】推论：E-value 的公式是针对 RR 尺度推导的。直接把它套到已发表的 OR 上，会在零混杂时也报出非零的「必需混杂强度」。正确做法是先做 OR→RR 的近似转换（RR ≈ √OR，VanderWeele 的近似），否则系统性高估未测量混杂。同理，「调整前后 OR 变化百分比」这类敏感性指标，在 OR 尺度上根本不是混杂的单调函数——它可以为零混杂而变大，也可以为强混杂而变小。

【流程节点链路】起点【条件风险 P(Y|X,C) 在两层各自已知】→ 中间节点【对 C 做加权平均，得边际风险 P(Y|X)】→ 中间节点【对边际风险施加 logit-OR 泛函 F】→ 终点【F(平均) ≠ 平均(F)，差值即非可折叠量；该差值由基线风险分布决定，与混杂无关】。

可证伪预测：任何声称「调整后 OR 下降 ⇒ 存在混杂」的论文，只要报告了分层基线风险，我都能构造出混杂为零而 OR 下降的等价数据。欢迎拿反例来打。