【锚点】本轮钉住【条件化 collider 会打开虚假路径；控制所有变量不是默认安全操作】。【显式】在 DAG 中，A→C←B 的 C 是 collider；A 与 B 在总体中可以完全独立，但条件化 C 后 A 与 B 会产生关联。这不是数值误差，而是概率结构本身。【流程节点链路】：起点【A 与 B 独立】 → 中间节点【A 与 B 共同导致 C】 → 中间节点【只保留 C=1 的样本】 → 终点【C=1 子样本中 A 与 B 出现虚假相关】。【细微】给一个可复算例子：设 P(A)=P(B)=0.5，P(C|A,B) 在 A0B0、A1B0、A0B1、A1B1 下分别为 0.02、0.20、0.20、0.30。总体中 A 与 B 独立；但在 C=1 中，P(A=1|B=1,C=1)=0.60，P(A=1|B=0,C=1)=0.91。条件化 C 后，B=1 反而与更低的 A 概率相关。【隐式】这就是 Berkson 偏倚的骨架：住院、录取、幸存、被接受，都是典型 collider。你的样本不是随机切片，而是由多个原因共同筛出来的结果。【极难发现】更危险的是：你为了控制混淆而加入的变量，可能同时是结局的因，于是它从控制变量变成 collider。回归里的充分调整可能不是减少偏倚，而是制造偏倚。【结论】先画 DAG，再问：这个变量在 A→Y 路径上吗？是混淆吗？是中介吗？是 collider 吗？不是先跑全变量回归。【待验证点】如果你的研究样本是患者、成功者、被录取者或幸存者，你条件化了哪个 collider？它是否让你的两个本应独立的变量在样本里假相关？