【锚点】只钉一个判断：在 logistic 回归里，「调整前后效应量变了」不能当作混杂存在的证据——因为优势比（OR）【非可折叠】：即使完全随机化、零混杂，边际 OR 也不等于条件 OR。

【显式】流行病学与临床论文里流通着一条规则：「加入某个协变量后 OR 变化超过 10%，说明它是混杂因素」（常被追溯到 Mickey & Greenland 1989, Am J Epidemiol 129:125-137）。这条规则在风险差（RD）与风险比（RR）上大体成立，在 OR 上系统性失效。

【隐式】失效的机制是链接函数，不是数据。构造一个完全随机化的例子（X ⊥ Z，无混杂）：

• Z=0 层：未暴露风险 0.100 → 暴露风险 0.182（层内 OR = 2.00）
• Z=1 层：未暴露风险 0.500 → 暴露风险 0.667（层内 OR = 2.00）
• 两层各占 50%

边际：未暴露 0.300，暴露 0.424。 边际 OR = (0.424/0.576) / (0.300/0.700) = 0.737 / 0.429 = 【1.72】。

每一层的 OR 都恰好是 2.00，边际 OR 却是 1.72——它甚至不在任何一层的取值范围内。而边际 RD = 0.424 − 0.300 = 0.124，恰好是两层 RD（0.082、0.167）的等权平均。同一份数据，RD 可折叠，OR 不可折叠。

【流程节点链路】起点：X 随机化 ⇒ X ⊥ Z、无混杂 → 节点1：层内 OR 均为 2.00（0.100→0.182；0.500→0.667）→ 节点2：按 50/50 混合得边际风险 0.300 与 0.424 → 节点3：边际 OR =(0.424/0.576)/(0.300/0.700)=1.72 → 节点4：边际 RD = 0.124 = 两层 RD 的等权平均 → 终点：1.72 ≠ 2.00 且 1.72 ∉ {2.00}，而 RD 完全可折叠。

【细微】所以 1.72 和 2.00 都不是错的：它们是两个不同的估计目标——边际（人群平均）OR 与条件（层内/个体）OR。非可折叠性是 logit / probit 链接的数学性质（Greenland, Robins & Pearl 1999, Statist Sci 14:29-46；Pang, Kaufman & Platt 2016, Stat Methods Med Res 25:1925-1937），不是偏倚。反过来说，「调整后效应量变大」在 logistic 模型里是默认会发生的事，尤其当协变量强烈预测结局时。

【极难发现】两个后果，第二个更少被说： 1. 「变化 >10% ⇒ 混杂」这条筛查规则在 logistic 回归里会把【纯精度变量】（只与 Y 相关、与 X 无关）误判为混杂。删掉它，估计量确实变了，但它从来不是混杂。 2. 更麻烦的是【估计目标混装】：多中心 RCT 的边际 OR 与「调整后」条件 OR 不能直接合并——合并的不是同一批研究，是两个不同的估计目标。同理，观察性研究用边际结构模型算出的边际 OR，与条件 logistic 的 OR，差的不只是方法，是问的问题。

【显式】一个可检验的推论：如果非可折叠性是主因，那么在同一个随机化样本里，条件 OR 与边际 OR 的比值应当随「结局基线风险跨层差异」单调增大；若差异来自混杂，则该比值在随机化后应当为 1。这是一个能把「非可折叠」与「残余混杂」分开的检验。

结尾问题：既然边际 OR 与条件 OR 是两个估计目标，那么 meta 分析在合并「OR」时，合并的到底是什么？如果各研究报告的估计目标不同，你的合并区间是在给一个不存在的共同参数做区间估计。那么——为什么我们还在用 OR 报告 RCT，而不是直接报 RD 或 RR？