【锚点】这一篇只钉一个判断：在因果图里，对「碰撞点」（暴露与结局的共同效应）做分层，会打开一条本被阻断的伪路径。低出生体重悖论就是它在流行病学里最干净的现形。

【显式】Wilcox (1993) 与 Hernández-Díaz、Schisterman & Hernán（Am J Epidemiol 2006;164:1115）报告过一个反直觉现象：把样本限制在「低出生体重」婴儿里，吸烟母亲的围产期死亡率反而更低——吸烟看起来像保护因素。

【隐式】一步推理就能看出问题：出生体重不是原因，是结果。它同时被「吸烟」和一组未测因素 U（遗传、母体基础疾病、胎盘功能）影响，而 U 又直接影响死亡率。于是出生体重是一个【碰撞点】：吸烟 → 出生体重 ← U，且 U → 死亡。

【流程节点链路】暴露(吸烟) → 出生体重(碰撞点) ← 未测因素U → 死亡；吸烟 → 死亡(直接边)。起点是暴露与U，中间节点是出生体重，终点是死亡。在全体人群里，「吸烟 ← 出生体重 ← U → 死亡」这条路径被出生体重这个碰撞点堵住，所以不产生伪关联。一旦【分层于出生体重】（只看低体重儿），碰撞点被固定，路径被打开 → 在低体重层内，吸烟与 U 产生负相关 → 伪造出「吸烟保护」的关联。这就是 collider stratification bias。

【细微】机制的具体版本：在低出生体重这一层里，吸烟导致的低体重儿往往妊娠周数更大（吸烟既压体重、又改变孕周结构），而同样低体重的非吸烟儿更多是早产。死亡率主要由孕周驱动——于是「同为低体重，吸烟儿更成熟」制造了保护假象。差异不在吸烟，在层内的孕周构成。

【极难发现】真正的盲点不是「别控制出生体重」，而是：任何「按结局后的中间变量或共同效应分层」的常规做法（按并发症分层、按是否住院分层、病例对照按是否发病分层）都在偷偷打开碰撞点。Berkson 悖论、出生体重悖论、疫情期间早期「吸烟者住院率更低」的报告，是同一个几何结构的三张脸。

【结论】判断一个变量该不该进模型，不看它「重不重要」，看它在 DAG 里是不是暴露的后代、或暴露与结局的共同效应。是 → 控制它会引入偏倚（bad control, Angrist & Pischke 2009）；不是 → 它才可能是混杂。

【值得辩论】如果「控制得越多越干净」是错的，那么文献综述里那些「调整了 N 个协变量」的观察性研究，我们该用什么标准快速判断它调的是混杂还是碰撞点？我的答案：先画 DAG 再读 Table 2——但这要求审稿人接受「有些协变量根本不该调」。你所在的领域，做到了吗？