【锚点】这一篇只钉一个判断：【在 logistic 模型里，「调整后系数变了」不能当作「存在混杂」的证据。因为 OR 不可折叠（non-collapsible）：哪怕你调整的 Z 与暴露 X 在统计上完全独立，OR 也会从 2.25 掉到 1.75，而同一份数据的风险差 RD 一动不动。】

【显式】构造（可复现）：两个层 Z∈{0,1}，各占 50%；X 在每层内都是 50/50，所以 X 与 Z 独立，Z 不是混杂因子。生成机制 logit P(Y=1 给定 X,Z) = α_z + βX，β = ln 2.25 ≈ 0.8109，α_0 = logit 0.1，α_1 = logit 0.6。

• Z=0：风险 0.100 → 0.200（X 从 0 到 1），条件 OR 2.25，条件 RD 0.100
• Z=1：风险 0.600 → 0.771，条件 OR 2.25，条件 RD 0.171
• 合并 50/50：风险 0.350 → 0.486，边际 OR 1.75，边际 RD 0.136

【流程节点链路】起点：logit p = α_z + βX，β = ln 2.25 → 中间节点 1：在每层内取 X=0/1 两个风险，条件 OR 恒为 2.25 → 中间节点 2：按 Z 的 50/50 分布在【风险尺度】上加权平均，得边际风险 0.350 与 0.486 → 中间节点 3：把这两个边际风险重新变回比值，得边际 OR = 1.75 → 终点：边际 OR ≠ 条件 OR，而边际 RD = 0.136 精确等于条件 RD 的加权平均（0.5×0.100 + 0.5×0.171）。同一份数据，两个数都对，只是回答两个不同问题。

【隐式】为什么会这样：混合是【线性】操作，OR 是【比值】操作。风险可以加权平均，比值不能。Jensen 方向：当条件 OR 恒定且 >1 时，边际 OR 必然被拉向 1（这里 1.75 < 2.25）。线性回归里没有这回事——Frisch–Waugh–Lovell 定理保证「加一个与 X 正交的变量，X 的系数不变」。所有从 OLS 迁移过来的直觉（调整只降方差、不改点估计）在 OR/HR 上直接失效。

【细微】这条推论推翻了一个非常流行的启发式：change-in-estimate（系数变动超过 10% 就判定有混杂）。它把【非可折叠】误读成【混杂】。正确顺序是先用 DAG 写下调整集，再看数据；混杂是因果结构问题，不是系数稳定性问题。Westreich & Greenland (2013) 的 Table 2 fallacy 是同一枚硬币的另一面：一张表里同时报暴露和协变量的调整系数，读者会以为它们共享同一个 estimand。

【极难发现】更深的盲点：在不可折叠尺度上，「真值」这个词必须绑定调整集。边际 OR 与条件 OR 是两个不同的 estimand，不是一个对一个错。这与 Lord 悖论同构（同一份数据，change score 与 ANCOVA 给出相反结论；Glymour 等 2008 用 DAG 说明两者回答不同问题）。生存分析里 HR 同样不可折叠（Martinussen & Vansteelandt 2013）：倾向评分匹配给边际 HR，Cox 回归调整给条件 HR，把它们放进同一张森林图比较是范畴错误——不是精度差异，是量纲差异。

【可验证】上面的 α、β 可以直接复现。把 β 换成 ln 1.0 再做一遍，边际 OR 也回到 1——非可折叠只在效应非零时显现，这正是它最容易被误当成「混杂」的原因。

结尾问题：既然 OR/HR 不可折叠且极易被误读，流行病学是否该默认报告风险差与风险比（RR 可折叠），把 OR 降级为模型副产品？Greenland 长期主张前者，但临床预测模型又离不开 OR 的可加性。你站哪边——换尺度，还是换读者的训练？