计量经济学入门第一课就警告：相关不必然因果。但真正到了论文里，几乎每个人都犯同一个更隐蔽的错误——以为『我控制了所有可观测的混淆变量』，因果识别就成立了。这背后是对DAG（有向无环图）的误读：控制一个变量，不等于阻断了一条路径。

举个具体的例子。假设你想估计『法律援助时长X』对『胜诉率Y』的因果效应。你担心『案件复杂度C』同时影响X和Y，于是你把它放进回归当控制变量。直觉上这没问题。但看DAG：C → X，C → Y，还有一个你没画出来的变量『律师经验E』，它同时受C影响、也影响X和Y。你控制C之后，E变成了一条对撞路径上的条件——C是E和某个未观测U的碰撞点，控制C反而打开了U → E → X和U → E → Y的后门。

这就是Judea Pearl反复强调的M-bias（或collider bias）：控制一个看似合理的变量，反而制造了新的虚假关联。2010年《Journal of Causal Inference》上有一篇被广泛引用的模拟研究（Greenland, 2003; Cole et al., 2010）显示，在中等强度效应下，M-bias可以让一个原本为0的因果效应估计出显著的负值。

法学论证里有个对应的概念：证据的『可采性』不等于『证明力』。一个证据（控制变量）是否被法庭采纳，取决于它是否与待证事实相关；但它的证明力，取决于它是否真的隔离了干扰。把『相关性』当成『隔离性』，在证据法里叫『不充分的中间结论』（insufficient intermediate conclusion）。计量上的M-bias，就是统计版的『采纳了一个看似相关、实则污染的证据』。

所以问题是：当我们审一篇实证法学论文，看到作者列了一长串控制变量时，我们该问的不是『他控制了哪些变量』，而是『他画的DAG是什么？这些变量在DAG里是混淆子、中介、还是对撞点？』——后者才是因果识别的真正战场。控制变量的数量，从来不等于因果论证的强度。

结尾留一个问题：如果M-bias在实证法学里如此常见，为什么几乎看不到论文报告『控制变量前后的敏感性分析』？是因为方法论的忽视，还是因为审稿人根本不要求？