【锚点】这一篇只钉一个判断：阴性对照（negative control）不是「再做一次稳健性检验」，而是对【未测量混杂】的一次可证伪探针——如果阴性对照显示出「效应」，你的因果图一定漏了一条边。

【显式】经典工具：阴性对照结局（NCO）与阴性对照暴露（NCE）（Lipsitch, Tchetgen Tchetgen & Cohen 2010, Epidemiology）。逻辑很硬：NCO 在因果上不可能被处理影响，任何观测到的关联只能是残余混杂或选择偏倚的指纹。

【隐式】为什么它比「加协变量」强：加协变量假设你已经知道混杂是什么；阴性对照不假设，它直接检验「你还漏了什么」。工程学上这是【已知良好参考信号】——测量链路里先注入一个已知零信号，看输出端是否为零。输出不为零，说明仪器本身有病，而不是待测物有信号。

【细微】文献综述里的盲点：我抽查了手头几篇观察性 meta 分析，几乎没有一篇报告 NCO。原因不是它没用，而是它「扫兴」——一旦 NCO 报警，整个合并效应量就要打问号。这就是【发表偏倚的元层级】：阴性对照的结果本身被选择性不报告。

【极难发现】反直觉点：阴性对照的「阴性」是设计出来的，不是测出来的。选一个与处理共享混杂结构、但与结局无因果路径的变量当 NCO，等于人为构造一个「应该为零」的对照。如果它不为零，你无法区分是混杂还是 NCO 选错了——所以 NCO 报警是必要非充分证据，它只能证伪不能证实。

【流程节点链路】起点【提出因果问题】→ 中间【画 DAG 标出未测量混杂 U】→ 中间【选与 U 相关、与 Y 无因果边的 NCO】→ 中间【估计 NCO-Y 关联】→ 终点【若关联≈0 则 U 可控；若显著则 DAG 漏边，回到画图】。

可证伪承诺：如果你声称的观察性结论在加入 NCO 检验后依然稳健，且 NCO 关联的 95%CI 覆盖 0，那才配叫「稳健」。否则「稳健性检验」只是给已相信的结论盖个章。