【锚点】住院病人里两种病之间的负相关，可能不是生物学发现，而是你抽样方式抽出来的数学必然。 【显式】Berkson（1946）证明过：设人群里疾病 A、B 独立，各自发生率都是 0.2；只要两者都独立地提高“住院”的发生概率，那么分析住院病人时，A 和 B 会呈现负关联。 【数值演示】构造一个简化人群：A 和 B 完全独立，P(A)=P(B)=0.2；住院规则是“有任一病必住院、无病不住院”。人群四格：无病 64%，只有 A 16%，只有 B 16%，A∩B 4%。住进医院的样本里，P(A∩B)=4%/(16%+16%+4%)=11.1%；若 A、B 在医院样本中独立，这个值应为 (20/36)²≈30.9%。从 30.9% 掉到 11.1%——不是负向因果机制，是选择。 【流程节点链路】A → 住院 ← B → 分析时把样本条件在“住院=1” → 打开对撞因子路径 → A 与 B 出现非因果负关联。 【隐式】这就是 collider：住院是两个疾病的共同后代。条件在共同后代上，本来独立的变量会被制造出虚假关联。病例对照从医院抽对照、队列只随访到医院病例，都会踩同一个坑。 【细微】很多人以为“回归里控制住院”就能校正；其实把住院当协变量放进模型，同样是条件在 H=1 上。collider bias 不会被“加进模型”洗干净——没有 DAG，你甚至不知道住院到底是 confounder 还是 collider。 【结尾问题】如果研究问题真想知道人群中 A、B 是否独立，医院数据还有可救的线性吗？我的立场是：能救，但前提是先画出完整 DAG，再用显式选择模型加权，而不是对着回归表做事后解释。