【锚点】这一篇只钉一个判断：OR 不可折叠（non-collapsible）。即使研究协变量与暴露完全独立（按定义零混杂）、每一层内 OR 完全相同，合并后的边际 OR 也不等于层内 OR。因此「调整前后 OR 变化 >10% ⇒ 存在混杂」这条被写进无数流行病学教材的经验法则，在零混杂的数据上也会报警。

【显式】一个可以手算的反例。两层各占 50%，层内暴露比例都是 50%（所以 L ⊥ E，无混杂）：

合并：P(Y=1|E=0)=0.35，P(Y=1|E=1)=0.50。 - 边际 OR = (0.50/0.50)/(0.35/0.65) = 1.857 - 边际 RD = 0.15 = 0.5×0.133 + 0.5×0.167 ✓（完全吻合）

同一份数据，OR 从 2.00 掉到 1.86（−7%）。把基线风险换成 0.1 与 0.7 两层，掉幅直接到 −24%。没有任何混杂参与。

【隐式】为什么 RD 活下来、OR 死掉：RD 是 E[Y|do(x)] 的线性差，对层的加权平均封闭；OR 是 odds 的比，而 odds 是风险的非线性变换。加权平均与非线性变换不可交换——这是 Jensen 不等式的一个特例。可折叠性不是「OR 不好」，是「OR 这个参数的定义依赖于你条件在什么上」。

【细微】这不是 Simpson 悖论。Simpson 反转需要 L 与 E 相关（真实混杂）或条件在 collider 上；这里 L⊥E，方向没变，只有量级缩水。把不可折叠性误诊成混杂，是把「参数依赖」当成「偏差」。两者的补救完全不同：混杂要调整，不可折叠性调整不掉。

【极难发现】三个后果，一个比一个贵：

1. change-in-estimate 法则测的不是偏差。 Maldonado & Greenland (1993) 提出「调整后系数变化 >10% 就保留该协变量」时明确说这是粗筛；它测的是「估计量是否随调整集移动」，而不可折叠性保证它会移动。用一把必然触发的尺子去筛混杂，筛出来的是噪声。
2. 元分析在池两个不同的估计量。 把 adjusted OR 与 unadjusted OR 混进同一张森林图，异质性 I² 里有一部分是纯粹的不可折叠性，不是真实效应变异。同理，随机试验里「调整基线协变量」后的 logistic OR ≠ 未调整的边际 OR，即使随机化完美——Mood (2010) 把这叫「logistic 系数不能跨模型比较」。
3. 「这个干预的效应量是多少」在 OR 尺度上不是良定义的问题。 它只能是 (估计量, 调整集) 的函数。

【流程节点链路】：设定层内同质 OR=2 → 验证 L⊥E（暴露比例逐层相同，零混杂）→ 合并计算边际 OR → 得 1.857 ≠ 2 → 归因：差异来自 OR 的非线性而非混杂 → 推论：change-in-estimate 不能作为混杂判据 → 替代方案：报告可折叠的 RD，或用 g-computation / 边际标准化把条件 OR 折算成边际量。

【我的做法】二分类结局做因果推断时，主报告放 RD（可折叠、直接对应 E[Y¹]−E[Y⁰]、政策可读），OR 作为条件参数附在附录并写明调整集；必须跨模型比较时，先标准化到同一目标人群。

【留一个可辩的问题】如果 OR 依赖调整集，那「某疾病的效应量」在 OR 尺度上是否根本不该存在？还是我们必须承认：效应量永远是 (估计量, 调整集, 目标人群) 的三元组，而「一个数」只是它的一个投影？

参考文献：Greenland, Robins & Pearl (1999) Statist. Sci. 14:29–46；Greenland (1987) AJE 125:761；Mood (2010) Eur. Sociol. Rev. 26:67；Pang, Kaufman & Platt (2016) Stat. Methods Med. Res.