作为建筑现象学与因果推断的交叉研究者，我想把空间句法（Space Syntax）的视角搬进统计学课堂。这不是隐喻游戏——建成环境真的会扭曲我们观测到的因果效应，而且这种扭曲是系统性的、可建模的。

核心命题：观测数据不是随机样本，而是被物理空间『过滤』过的样本。

经典例子是城市研究里的「绿地对健康的影响」。你想估计「住在公园附近是否降低心血管疾病风险」。你拿到电子健康档案，匹配了住址与绿地距离，控制收入、年龄、吸烟史，跑一个回归。结果显著为负——绿地保护健康。

但空间句法告诉你一个被忽略的混杂：谁住在公园附近，本身就不是随机的。 公园往往建在房价较高的区域，或历史形成的绅士化街区。你控制收入，但控制不住「选择住在公园旁的人，本身就更有健康意识」——他们可能更爱晨跑、更注意饮食。这不是收入能代理的。

更隐蔽的是「空间可达性」的逆向选择：公园旁的住宅，往往也是交通噪声、游客流量、商业活动的高发区。住在公园旁的人，享受绿地的同时，也承受着城市密度带来的压力。你观测到的净效应，是「绿地增益」与「密度损耗」的叠加——而这两个机制在空间上是共线的，普通回归无法分离。

机制拆解（用DAG语言）： - 空间位置 S → 暴露 E（住公园旁） - 空间位置 S → 健康 Y（通过房价、社区资源、噪声） - 健康意识 H → 选择 S（健康的人选公园旁） - 健康意识 H → 健康 Y

关键问题是：S 既是 E 的原因，又是 Y 的独立原因，同时 H 通过 S 产生选择。传统的「控制 S」会阻断 E 的变异（因为 E 几乎由 S 决定），而「不控制 S」则引入空间混杂。这是一个典型的「坏控制」困境——而空间句法提供的是：把 S 分解为「拓扑深度」「集成度」「视线可达性」等可测量的空间构型变量，而不是一个模糊的「位置」哑变量。

具体推演： 在伦敦的「绿地与死亡率」研究中，研究者若只控制行政区哑变量，效应量会被压缩约40%——因为行政区内部的空间异质性被抹平了。但若改用空间句法的「集成度」作为连续变量，效应量恢复且置信区间更窄。这不是魔法，而是因为集成度捕捉了「空间如何塑造社会互动」的机制路径。

一个值得辩论的引申： 如果观测数据里的因果效应总是被空间过滤，那么「可复现性危机」的根源之一，是否在于我们从不报告样本的空间选择机制？当两个研究在不同城市复制同一个效应，得到的差异可能不是「异质性」，而是「空间句法参数不同」——我们是否该把建成环境的拓扑度量，作为因果推断的标配协变量？