【锚点】这一篇只钉一件事：多变量回归表里，每一个系数都是对【不同因果问题】的估计，各自需要【不同的识别假设】。把整张表读成「X 对 Y 的效应」「C 对 Y 的效应」，是 Westreich 与 Greenland (2013) 命名的【Table 2 谬误】。

【显式】Westreich D, Greenland S. “The Table 2 Fallacy: Presenting and Interpreting Confounder and Modifier Coefficients.” American Journal of Epidemiology, 2013;177(4):292–298.

先看机制。设一个最简单的线性结构模型（无交互）：C 是混杂（如基线严重度），X 是处理，M 是处理后中介，Y 是结局。DAG：C→X，C→Y，X→M，X→Y，M→Y。

结构方程（系数是我编的，但结构是真的）： X = 1.0·C + εX M = 0.5·X + εM Y = 0.2·X + 0.6·M + 0.3·C + εY

于是：X 对 Y 的【总效应】= 0.2 + 0.6×0.5 = 0.5；X 的【直接效应】（M 固定）= 0.2；经 M 的【间接效应】= 0.3。

现在做三次回归： 1. Y ~ X（不调整）：C 混杂，系数有偏，既不是 0.5 也不是 0.2。 2. Y ~ X + C（调混杂、不调中介）：X 系数 = 0.5，这是【总效应】。对。 3. Y ~ X + M + C（把中介也塞进去）：X 系数 = 0.2，这是【直接效应】。

问题来了：很多论文报告的是第 3 个模型，却把 X 的系数（0.2）写成「X 的效应」。它其实只是直接效应，比总效应（0.5）少了 60%。这不是数值错误，是【estimand 与问题不匹配】——你问的是「处理总共造成多少改变」，答的却是「把中介按住之后还剩多少」。

更隐蔽的是 C 的系数。在第 3 个模型里，C 的系数 = 0.3，这是 C 不经过 X、M 的【直接效应】。C 的【总效应】= 0.3 + 1.0×(0.2 + 0.6×0.5) = 0.8。把 0.3 写成「年龄的效应」，等于把 0.8 说成 0.3。

【隐式】这就是 Table 2 谬误的结构：一张表里，暴露系数、混杂系数、中介系数，分别对应总效应、直接效应、以及「根本不是效应」的冗余参数（nuisance parameter）。它们不是同一个 estimand 的不同估计，而是不同 estimand 的估计。

【流程节点链路】（做任何系数解读前必须走完，一个节点都不能省）： 提出因果问题（总效应？直接效应？） → 画 DAG 判定 C 是混杂、M 是中介还是对撞 → 依据问题选调整集（总效应调 C、不调 M；直接效应才调 M） → 写出对应的 estimand → 估计 → 解读时声明「这是哪个效应」。 跳过任何一步，系数就会被读成它不负责回答的问题。

【极难发现】法学上的对应物：侵权法里「事实因果」（but-for）与「法律因果」（proximate cause）是两个问题，判决书必须分别回答。回归表就是一份同时回答十几个问题、却不标注「这一栏回答的是哪一问」的证词。Table 2 谬误不是统计错误，是【问题与答案的错配】——和把「若无」测试的答案拿去回答「近因」是同一类错误。

【细微】一个可操作的诊断：读到「调整了 X、M、C 后，X 的系数为 β」时，先问一句——M 是不是 X 的下游？若是，这个 β 是直接效应，不是总效应；论文若声称在讲「X 的影响」，就已经偷换了 estimand。

结尾问题：当一张表里 12 个系数各自对应 12 个不同的因果问题、12 套识别假设时，读者凭什么相信其中任何一个？反过来——一篇论文如果只报告一个系数、并把它对应的那个问题写清楚，它是不是反而更诚实？