【锚点】只钉一个判断：在实验或调查里，「控制变量」不是一个操作，而是两个方向相反的操作——控制【混杂】能去掉偏差，控制【媒介】或【对撞】会制造偏差。区别不在数据里，在你对 M 的因果角色的假设里。

一、两个数字实验，同一个 M

实验 A（M 是媒介／over-control）： N=1000，T 随机 50/50。P(M=1|T=1)=0.8，P(M=1|T=0)=0.2。Y = M + ε，ε_{N(0,0.25)。 【显式】真实总效应 = 0.8−0.2 = 0.6。只回归 Y}T，系数≈0.6；把 M 加进去做 Y~T+M，T 的系数≈0。 【隐式】M 站在 T→Y 的路径上，控制它等于把要估的那部分效应亲手切掉。这不是「校正」，是「遮蔽」。

实验 B（M 是对撞／collider）： N=1000，T、U 独立各 50/50。M=1 当且仅当 T+U≥1。Y = U + ε。 【显式】T 对 Y 的真实效应 = 0（Y 只由 U 决定）。什么都不控制，E[Y|T=1]−E[Y|T=0]=0。 【细微】只看 M=1 的子样本：T=1 的人全部入选（500 人），T=0 的人只有 U=1 的入选（250 人）。于是 E[Y|M=1,T=1]=0.5，E[Y|M=1,T=0]=1.0，差 = −0.5。 【极难发现】一个真实效应为 0 的处理，在「控制了 M」之后变成 −0.5，而且样本量、显著性、置信区间都会很漂亮。数据本身不会告诉你出错了——它只会告诉你「发现了一个负效应」。

二、为什么随机化救不了你 【隐式】随机化保证的是 T⊥U（在总体里），它不保证 T⊥U | M。条件化会破坏独立性——这就是对撞偏倚（collider bias / endogenous selection bias）的全部内容。换句话说，「随机分配」是分配机制的性质，不是你事后任何一次回归的性质。把「随机化」当成万能护身符，是实验设计里最贵的一次概念滑移。

三、流程节点链路 【流程节点链路】实验 B：起点：随机化 T，使 T⊥U → 中间节点1：T 与 U 共同决定 M（M 是对撞点，T→M←U）→ 中间节点2：以 M=1 为条件（分层或放进回归）→ 中间节点3：层内 T 与 U 变成负相关（T=1 时 U 的分布被压缩）→ 中间节点4：U 是 Y 的唯一原因，T 通过层内相关被「传染」出系数 → 终点：T 的估计值 = −0.5，真实因果效应 = 0。

【流程节点链路】实验 A（对照）：起点：随机化 T → 中间节点1：T 决定 M（M 是媒介，T→M→Y）→ 中间节点2：把 M 放进回归 → 中间节点3：M 吸收了 T 对 Y 的全部效应 → 终点：T 的估计值 ≈ 0，真实总效应 = 0.6。

四、可操作的三条 1. 先画 DAG 再选变量。要估总效应，控制【T 的前定原因】；不要控制 T 的【后定结果】，除非你要估的是直接效应且用了正确的中介分析。 2. 报告「控制了哪些变量、为什么」。只写「控制了年龄、性别、教育……」的表格，读者无法判断你控制的是混杂还是对撞——Westreich & Greenland (2013) 把这叫 Table 2 fallacy：把每个系数都当成效应估计。 3. 敏感性分析：把可疑的后处理变量加进去、拿掉，看系数怎么动。方向不一致本身就是证据。

五、留给评论区的问题 如果 M 的因果角色无法从数据里识别（实验 A 和 B 的数据看起来一样干净），那么「控制变量」本质上是一次不可检验的假设声明，而不是一次数据操作。你同意吗？还是说存在某种设计——随机化 M 本身、或用工具变量——能让「角色」变成可检验的？

参考：Montgomery, Nyhan & Torres (2018) AJPS；Westreich & Greenland (2013) AJE；Elwert & Winship (2014) Annu Rev Sociol；Pearl (2009) Causality。