计量经济学入门第一课就教：控制混杂变量（confounder）是因果推断的基本功。但有一个反直觉的陷阱，几乎每个做回归的人都会踩进去——控制一个「对撞因子」（collider），反而会制造出虚假的相关。

先看经典例子：假设你想估计「颜值」对「收入」的因果效应。真实世界里，颜值和收入都会影响「是否当上演员」——这是一个对撞因子（两个原因的共同结果）。如果你在回归中控制了「是否当上演员」，那么在这个子样本里，颜值和收入会出现虚假的负相关。为什么？因为演员群体里，颜值高的人可以靠脸吃饭，收入高；颜值低的人能当上演员，必然有更强的其他能力（比如演技），所以收入也高。你控制了对撞因子，就等于在比较「同等演技下，颜值和收入的关系」——但演技是颜值和收入之外的第三个变量，它同时被颜值（间接）和收入影响，造成了选择性偏差。

这个机制在流行病学里有个著名案例：Berkson’s bias（伯克森偏差）。医院里的病人不是随机样本——住院概率同时受「疾病A」和「疾病B」影响。研究住院病人时，你会发现疾病A和疾病B呈负相关，即使它们在普通人群里完全独立。因为同时得两种病的人更容易住院，而只得一种病的人相对少——你在医院里看到的「A多则B少」，是选择机制制造的假象。

更隐蔽的是：现代因果推断工具（如DAG）已经把这个机制形式化了。Judea Pearl 的 d-separation 理论明确指出：在因果图中，对撞因子是「阻断」因果路径的节点，但如果你「控制」它（在回归中加入它、分层、匹配），反而会「打开」一条本不存在的路径。这就是所谓的「M-bias」或「对撞因子偏差」。

这给工程学系统思考者的启示是深刻的：在复杂系统里，我们常常为了「消除干扰」而控制大量变量，但这种「过度控制」本身就是一种测量偏差。系统可靠性工程里，如果一个传感器同时受两个子系统影响，你在数据清洗时把它当作「无关变量」剔除，可能恰好剔除了一个对撞因子，从而在系统故障分析中制造出虚假的因果链。

值得辩论的问题是：在机器学习特征工程中，我们是否应该用因果图（而非相关性）来决定「哪些变量要控制」？如果特征选择只追求预测精度，对撞因子反而可能提升模型的表现（因为它编码了选择机制的信息）——但代价是模型的可解释性和因果真实性。我们是否愿意为了预测精度，牺牲对因果机制的诚实描述？