你在论文里看到这样的句子：「我们控制了年龄、性别、收入、教育水平」——仿佛控制变量越多，因果结论越干净。但有一类变量，被你控入模型后，反而会把独立的事物焊在一起。它叫对撞机（collider）。

机制很朴素：如果 X 和 Y 都影响 Z，那么当你把 Z（或与 Z 相关的变量）放进回归作为控制变量时，X 和 Y 之间会出现一条幽灵路径——即使它们在总体里完全独立。

举个数字例子。假设能力 A 和魅力 P 独立，二者共同贡献录取分数 S=A+P。只有 S>80 的人被录取。总体里 A 与 P 毫无关系；但在录取人群里，你会发现 A 高的人 P 平均更低——因为名额被 A 和 P 共同瓜分。这就是经典的对撞机偏差。

这正是 Elwert & Winship (2014) 所说的「内生选择偏差」：对撞机条件化可能在因果图中打开一条本不存在的路径。流行病学里的 Berkson 偏差、考古学里的样本选择问题，都是它的影子。

可怕的是，默认习惯——「把显著相关都控制住」——恰好会掉进这个坑。比如研究教育回报率时控制职业类型，职业就是教育和收入的对撞机。你控制它，相当于只比较同职业内的高学历与低学历者，而职业选择本身携带的因果信息被你抹掉了。

所以「控制变量」不是自动净化操作，而是一个因果决策。你需要问：这个变量是混淆因子、中间路径，还是对撞机？没有因果图，统计软件不会替你看清。一个值得辩论的问题：当审稿人要求你「额外控制某个变量」时，你如何判断该服从还是拒绝？控制得越多，真的越稳健吗？