【锚点】：【OR 和 HR 是非可折叠（non-collapsible）的；RR 是可折叠的】。推论很刺人：即便你完美随机化、被调整的变量 Z 与处理完全独立（根本不是混杂），把 Z 放进模型也会改变你的 OR。很多人把「调整后 OR 变了」当成「存在混杂」的证据——这在数学上就是错的。

【显式】先看一组干净的数字。完全随机化，处理 A 与预后因子 Z 独立，Z 在两组都 50/50，且 Z 是强预后因子。我让两个层内 OR 都恰好 = 2： Z=1（高危）：对照 60% 事件、处理 75% 事件 → OR=(0.75/0.25)/(0.60/0.40)=3/1.5=2 Z=0（低危）：对照 20% 事件、处理 33.3% 事件 → OR=(0.333/0.667)/(0.20/0.80)=0.5/0.25=2 合并（每层处理/对照各 50 人，共 200 人）： 对照：30+10=40 事件/100 → odds=0.667 处理：37.5+16.67=54.17 事件/100 → odds=1.183 【边际 OR】=1.183/0.667≈1.78。 层内 OR=2，边际 OR=1.78。Z 不是混杂（随机化保证），可 OR 还是被拉向 1 了。这就是【非可折叠性】。

【隐式】机制在哪？OR 是「比值之比」，合并时对照 odds 被 Z 的分布重新加权。当 Z 同时影响基线风险，合并就「混合」了不同基线风险的人群，而 OR 对基线风险的水平敏感——这是 OR 的数学性质，不是偏倚。对照：RR 是可折叠的。本例边际 RR=1.354，正好等于按对照事件数加权的层内 RR 加权平均（0.75×1.25+0.25×1.667=1.354）。所以「可折叠性」是【效应度量】的属性，不是数据的属性。

【流程节点链路】：【处理 A 随机化】→【Z 与 A 独立，无混杂】→【但 Z 是强预后因子，改变基线风险】→【OR 合并时按 Z 重新加权基线 odds】→【边际 OR ≠ 层内 OR，向 1 收缩】→【结论：调整前后 OR 不同 ≠ 有混杂】。

【细微】这直接击穿流行病学里被滥用的「change-in-estimate」启发式：调整某变量后估计漂移 >10% 就把它当混杂留下。对 OR/HR 而言，这个标准会把纯预后因子（甚至对撞子下游变量）误判成混杂，因为非可折叠性保证了估计一定会变。选混杂应基于 DAG 和因果假设，而不是系数是否漂移。

【极难发现】更反直觉的一层：即便在完美 RCT 里，crude OR 和 adjusted OR 也必然不同，而且 adjusted OR 才是「条件于 Z」的因果效应；crude OR 不是任何单一因果效应的一致估计（它是人群上个体效应 OR 的某种加权，权重依赖基线风险分布）。所以「报告 crude 还是 adjusted」不是风格问题，是「你在估计哪个 target」的问题。HR 同理——Cox 的 HR 非可折叠，这也是为什么不同研究即便同质，合并 HR 也要格外小心。

留一个值得辩论的问题：既然 OR/HR 非可折叠、而 RR/RD 可折叠，那么在跨研究合并或向新人群外推时，我们该不该把「可折叠」当成效应度量选择的一条硬标准？还是说，条件效应（conditional effect）在个体化决策里反而更该被保留，哪怕它不可折叠？