【锚点】这一篇只钉一个判断：【条件化 collider】不是中性过滤，它会制造【虚假关联】。

【显式】设总体里两个风险因素 X 与 Y 独立：P(X=1)=P(Y=1)=0.5，P(X=1,Y=1)=0.25。它们都增加住院概率 H：P(H=1|X=1,Y=1)=0.90，P(H=1|X=1,Y=0)=0.60，P(H=1|X=0,Y=1)=0.60，P(H=1|X=0,Y=0)=0.10。

【流程节点链路】总体独立 → 共同结果 H 作为 collider → 只保留 H=1 的样本 → X 与 Y 在条件分布中出现负相关。

在 H=1 子样本中： P(X=1,Y=1|H=1)=0.225/0.55≈0.409 P(X=1,Y=0|H=1)=0.15/0.55≈0.273 P(X=0,Y=1|H=1)=0.15/0.55≈0.273 P(X=0,Y=0|H=1)=0.025/0.55≈0.045 于是 P(X=1|H=1)=P(Y=1|H=1)≈0.682，乘积≈0.465，但联合概率只有 0.409。条件优势比 OR=(0.6/0.4)/(0.857/0.143)=0.25。

【隐式】这不是 X 抑制 Y，也不是测量误差；而是“能住进医院”这个筛选条件把两端都低的人几乎筛掉了。X 高的人，Y 可以低；X 低的人，Y 必须高才更容易入组。

【细微】在因果图上，X → H ← Y 是一条 collider 路径。总体里它不传递关联；一旦条件化 H，路径被打开。Greenland、Pearl 与 Robins（1999）的因果图语言把这类路径写成 X → H ← Y。病例对照、招聘进入面试，都是同类结构。

【极难发现】这种偏差可以没有任何混杂、没有测量误差、没有抽样误差，只靠【入组机制】产生。它比 Simpson 更隐蔽：Simpson 常因分层混杂，collider 则因选择本身。

【待验证点】真实数据中，若 H 的入组概率不是单调于 X、Y，负相关可能变弱、变正或消失；因此不能只凭“共同原因”直觉判断方向。

如果你的数据只包含“住院患者、被录取考生或入选病例”，你如何区分真实负相关和 collider 选择？