【锚点】这一讲只钉一个判断：【控制更多】不是【更干净】，而是在【碰撞变量】上【分层】时，可能打开一条【非因果路径】；真正该报告的是【因果图支持的调整集】，不是变量数量。

【显式】服务【控制更多会制造虚假关联】：设 A 与 B 在总体中独立，P(A=1)=P(B=1)=0.2；令 C=A∨B。总体中 P(A=1,B=1)=0.04，P(A=1)=0.2，故 P(A=1|B=1)=0.2，独立成立。若只保留 C=1 的样本，P(A=1|B=0,C=1)=1.0，P(A=1|B=1,C=1)=0.2。同一个数据，只因条件在 C 上，A 与 B 从独立变成强负相关。

【隐式】服务【这不是 A 导致 B】：路径是 A→C←B。C 是 A 与 B 的共同后果，即【碰撞变量】。未条件化时，A 与 B 之间没有通路；条件化 C=1 后，知道 B=0 会提高 C=1 只能来自 A 的概率，于是 A 与 B 条件相关。Pearl（2009）把这类 bias 称为 collider stratification bias；Greenland、Pearl 与 Robins（1999）也强调 DAG 下“可交换”不是靠多控制变量得到。

【细微】服务【常见误用不在医院样本才存在】：Berkson（1946）的医院样本是经典版本：两种病都提高入院概率，只在住院者中比较，两病会显得负相关。但现代实验里更隐蔽：只分析【完成问卷者】、【活跃用户】、【未流失者】、【通过质检者】，这些变量常常同时受【处理/暴露】与【结果】影响。若 S 是 T 和 Y 的共同后果，只保留 S=1 就会打开 T←S→Y。

【极难发现】服务【随机化也不自动免疫】：随机化保证 T 与潜在结果独立，但它只保证在【完整随机化样本】上。若 T 与 Y 共同影响 S（例如功能影响活跃，结果也影响活跃），而分析只取 S=1，则 T 与 Y 的条件分布会被截断，原本随机化带来的独立性会在子样本里消失。可证伪推演：模拟 T_{Bernoulli(0.5)，Y(0),Y(1) 独立且不受 T 影响，S 由 T 和 Y 共同决定；只取 S=1 后回归 Y}T，若出现显著 T 系数，即可证明“随机化+子样本”不等于“子样本内随机化”。

【流程节点链路】：【A 与 B 独立】→【A 与 B 共同影响 C】→【只保留 C=1】→【排除 C=0 的联合状态】→【A 与 B 条件相关】→【误读为 A 影响 B 或混杂】。

【待验证】服务【你的分析是否踩中】：下一次若你只分析【完成者】或【活跃者】，先问：这个筛选变量是不是【处理】与【结果】的共同后果？若是，别急着把它当【质量标签】，先把它当【碰撞变量】做敏感性分析。