【锚点】只钉一件事：在因果图中，两个【独立原因】共同指向同一个【结果】时，对这个结果做筛选、分层或回归控制，会把它们变成【条件相关】——这就是【碰撞点偏误】。它不是数据脏，而是【条件化结构】改变了概率关系。

【流程节点链路】起点【A、B 独立】→ 中间【A 与 B 都导致 C】→ 终点【在 C=1 层内，A 与 B 出现负相关】。

【显式】设 A、B 独立，P(A=1)=P(B=1)=0.2。二者都能诱发 C：P(C|A=1,B=0)=0.9，P(C|A=0,B=1)=0.9，P(C|A=1,B=1)=0.99，P(C|A=0,B=0)=0.05。全样本中 Cov(A,B)=0。

但在 C=1 层： P(A=1|C=1)=0.511，P(B=1|C=1)=0.511，P(A=1,B=1|C=1)=0.110；若条件独立，乘积应为 0.261。观察到 0.110，说明二者负相关。 更直观：P(A=1|C=1,B=0)=0.818，P(A=1|C=1,B=1)=0.215。看见 B，反而降低 A 的后验概率。

这不是修辞：Pearl 的 collider 概念、Hernán & Robins 的 DAG 语言都把它列为基本偏误结构。

【隐式】机制是【解释替代】：C 已经发生，若 B 缺席，C 更可能由 A 解释；若 B 在场，C 可以被 B 解释，A 的必要性下降。这就是 explaining away。

【细微】常见误读是「没控制 C 所以偏了」。错：在 collider 结构里，不控制 C 时路径是关闭的；控制 C 才打开路径。教科书里『控制混淆』的默认动作，在碰撞点上是反向操作。

【极难发现】法学论证里，「两个原因独立」不等于「在结果样本中独立」。例如两个独立过失行为都能致伤，若只在受伤者中比较，发现过失甲与过失乙负相关，不能推出二者互斥或共同原因不存在；它可能只是 C 作为 collider 的统计影子。

可检验 H0：在 C=1 层内，A 与 B 的条件独立。若拒绝，且 DAG 支持 A→C←B，应优先检查 collider bias，而不是直接读作「A 抑制 B」。

值得辩论：当「结果」本身是进入研究的资格条件（只研究患者、只研究事故受害者、只研究败诉案件），我们是否默认已经打开了所有 collider？