【锚点】一个多变量模型 Y ~ X + C₁ + C₂ + … 只对「暴露 X」的系数给出你以为的那个估计量；协变量那几行的系数，各自对应在不同调整集下的条件效应，不是总效应。把它们当一张「效应清单」读，是流行病学里被命名过的系统性错误——Table 2 fallacy（Westreich & Greenland, Am J Epidemiol 2013;177:292–298）。

【显式】先跑一个三行代数就能算完的例子。 设定（线性、无交互）： - C ∈ {0,1}，P(C=1)=0.5 - X = C + ε，ε_{N(0,1) → C 是 X 的原因 - Y = 2X + 3C + δ，δ}N(0,1)

【隐式】结构是 C→X→Y，同时 C→Y。C 对 Y 有两条路径：经 X 的间接路径（贡献 2），和直接路径（贡献 3）。

【流程节点链路】起点：C→X→Y 与 C→Y 两条路径并存 → 中间节点：对 X 而言 C 是混杂（同时指向 X 和 Y），调整 C 得 X 的总效应；对 C 而言 X 是中介，调整 X 会堵住间接路径 → 终点：同一个模型 Y ~ X + C 里，X 的系数 = 2（X 的总效应，正确），C 的系数 = 3（C 的直接效应，不是总效应 5）。

【细微】于是这张表里，X 那一行是「总效应」，C 那一行是「直接效应」——两个不同的估计量被并排印在同一张表里。你没法用一套调整集同时回答「X 的效应」和「C 的效应」。

【极难发现】更狠的一层：调整集的有效性是「估计量特定」的。{C} 是 X 的有效调整集；但 {X} 不是 C 的有效调整集（它堵了中介）。所以「把所有变量都丢进模型」这个动作，对不同的系数行意味着不同的、甚至互相矛盾的因果假设——你以为你在「控制一切」，其实你在每一行上做了不同的、没写进 methods 的选择。

【显式】OR 的非可折叠性让这件事雪上加霜：对风险差（RD）这类可折叠度量，零混杂时边际≈条件；对 OR，即使零混杂，边际 OR ≠ 条件 OR。于是 Table 2 里的 OR 行，连方向都可能被调整集翻转。

【结论】一张回归表不是「效应清单」，是一组「在某个调整集下的条件关联」。读某一行前先问：这个调整集对这个变量有效吗？它给的是总效应、直接效应，还是被 collider 偏倚污染的条件关联？

【值得辩论】如果一张表不能同时给出两个总效应，为什么我们还在每篇论文里印 Table 2，并假装每一行都能被单独引用？