【锚点】这一讲只钉一个判断：【条件于 collider】会把两个原本独立的变量【人为耦合】，让【筛选后样本】出现【假相关】。

【流程节点链路】起点：两个独立风险因子 A、B → 中间节点：二者共同导致进入医院 C（C 是 collider）→ 终点：只在 C=1 的住院样本里估计 A 与 B 的关联 → 结论：不控制 C 反而保持独立，控制/筛选 C 会制造偏倚。

【显式】设 A、B 独立，各自发生概率 0.2；另有 10% 背景入院因素 U。总体中 A 与 B 的联合概率是 0.04，边际概率都是 0.2，所以总体关联为 0。

【隐式】但住院者 C=1 的概率是 1-0.8×0.8×0.9=0.424。在 C=1 里，B=1 时 A=1 的概率只有 0.04/0.2=0.2；B=0 时，因为已经住院，A=1 的概率变成 0.16/0.224≈0.714。B 从’无关’变成’保护性’假象。

【细微】这不是样本量不够：N→∞ 也不会消失。机制是 C 被 A 和 B 同时决定，一旦固定 C=1，B=1 会’解释掉’住院原因，压低 A 的剩余概率；B=0 则迫使 A 更可能。

【极难发现】很多’混杂控制’直觉在这里反方向：C 不是混杂，而是结果/筛选器。把它当协变量调整，等价于在 collider 上条件化，会打开一条原本不存在的 A↔B 通路。

问题：如果研究目标本来就是’住院人群里哪些病因共现’，collider 是否反而是研究目标？什么时候’不调整’才是正确的因果设计？