【锚点】这一篇只钉一个定理，不是经验发现：【对撞因子条件化，会在两个本来独立的变量之间制造相关】。方向可正可负，幅度可到 1。

【显式】Berkson 1946 年在《Biometrics Bulletin》上指出：医院数据里两种疾病呈负相关，可能只是因为「住院」同时被两种病触发。这不是抽样偏差，是条件化的代数后果。

【显式】一个能手算的例子。总体 10 万人，A、B 各占 10%，且严格独立（P(A∩B)=1%）。住院规则：患 A 或患 B 就住院，两者都无则不住。 - A+B+：1,000 人 → 全住院 - A+B−：9,000 → 全住院 - A−B+：9,000 → 全住院 - A−B−：81,000 → 不住院

住院者共 19,000。在住院者中： P(A+|B+) = 1,000 / 10,000 = 10% P(A+|B−) = 9,000 / 9,000 = 100%

总体里两个变量毫不相干；住院者里，一个变量的存在几乎「排除」了另一个。这个相关不是被发现的，是被「进入样本」这个动作生产出来的。

【隐式】这不是医院的问题。任何「进入可观察样本」的机制，只要同时依赖两个变量，就等价于条件化在一个对撞因子上。Pearl 的 d-分离给出形式判据：对撞节点被条件化时，原本被阻断的路径被打开。所以「我控制了更多变量」这句话，翻译成因果图语言是「我打开了更多路径」——不一定是我想要的那些路径。

【细微】比较历史方法里有个更狠的版本。Geddes（1990, APSR）证明：只在「革命成功」的案例里找原因，等于条件化在因变量上。此时诸原因之间会出现虚假的负相关——比如「强组织」与「军队分裂」在成功案例中看起来互斥，在总体中却可能正相关。这不是「案例太少」的问题，是选择规则的问题：把样本从 20 个扩到 200 个，只要仍然只选成功者，偏误一分不减。

【极难发现】真正的盲点在评审文化。我们习惯把「控制了 X、Y、Z」当作严谨性信号，于是论文、期刊、教科书共同构成一个选择机制：控制得多的研究更容易被发表。而这个机制本身，正好是条件化在一个由「控制数量」与「结论显著性」共同决定的对撞因子上。结果是：被发表文献里的相关结构，已经被生产它的评价制度扭曲过一次。我们用对撞因子偏误的产物，去教下一代人怎么避免对撞因子偏误。

【流程节点链路】总体中 A⊥B → 样本进入规则 S=f(A,B) 且 S 为对撞节点 → 在 S=1 内 A 与 B 统计相关（d-分离被破坏）→ 研究者把该相关读作「机制」或「权衡」→ 该「机制」进入理论 → 理论指导下一轮变量选择，再次条件化 → 偏误被制度化为常识。

【待验证点】如果所有可观察样本都是某个 S=1（临床样本、上市公司样本、已发表文献样本、成功国家样本），那么「两个变量独立」这个命题，还有没有任何经验上可检验的形式？还是说它只能是一个关于总体的、原则上不可观测的断言？

留给你一个问题：你所在领域最常用的那个「样本框」，等价于在哪个变量上做了条件化？