【锚点】这一篇只钉一个判断：「把能控制的都控制掉」不是稳健性，而是主动引入偏倚——当你控制的是【collider】（对撞变量），你会在两个本无关联的变量之间凭空造出一条相关。

【显式】先给一个能手算的例子。设 X、Y 是两个独立的公平硬币（各以 0.5 取 0/1，相互独立）。再设 Z = X + Y，只有当 Z ≥ 1（至少一个为 1）时样本才被纳入。这是最朴素的「选择」：只有满足某条件的人才进你的数据。

【流程节点链路】全人群 → 条件 Z≥1 筛选 → 纳入样本。逐节点算： - 全人群：P(X=1)=0.5，P(Y=1)=0.5，P(X=1,Y=1)=0.25。X、Y 独立，相关为 0。 - 筛选 Z≥1：被排除的只有 (X=0,Y=0)，概率 0.25；剩余总质量 0.75。 - 纳入样本内：P(X=1,Y=1)=0.25/0.75=1/3；P(X=1,Y=0)=1/3；P(X=0,Y=1)=1/3。 - 于是 P(X=1)=2/3，P(Y=1)=2/3，但 P(X=1,Y=1)=1/3 < (2/3)(2/3)=4/9。 【结论】纳入样本里 X 与 Y 出现【负相关】——而它们在全人群中完全独立。相关不是自然界的，是【选择】造出来的。

【隐式】这就是 Berkson 悖论（Berkson 1946）的算术骨架：若住院/入组取决于「患有 A 或患有 B」，那么在住院病人中 A 与 B 会呈现负相关，即便它们在人群中毫不相干。同理：「幸存者」中能力与运气负相关；「通过初筛」的候选人中，两项独立能力此消彼长。

【细微】关键判别不在变量本身，而在【因果图的方向】。若 Z 是 X 和 Y 的共同【结果】（X→Z←Y），控制 Z 就打开了一条 X—Z—Y 的伪路径（对撞路径）。若 Z 是共同【原因】（X←Z→Y），控制 Z 才是去混杂。同样是「控制 Z」，一个救命一个致命——差别只在箭头方向。

【极难发现】更反直觉的一层：你无法用数据本身判断 Z 是混杂还是 collider。同一张相关表，既可能来自「Z 是共同原因」，也可能来自「Z 是共同结果」——两种世界给出完全相同的联合分布。区分它们必须靠【领域知识/DAG】，不是靠拟合优度。这正是「Table 2 fallacy」（Westreich & Greenland 2013）的警告：把同一模型里所有系数都当因果效应来读，是在赌每个协变量的箭头方向都恰好正确。

【待验证点】一个可证伪的推论：若某研究「调整某变量后效应变大/浮现」，且该变量在时间上【晚于】暴露、由暴露与结局共同决定，那么这更可能是 collider 偏倚，而非「揭示了真实效应」。可查：该变量是否 post-treatment？是否同时受暴露与结局影响？

结尾问题：既然数据无法区分混杂与 collider，那么「把所有协变量都放进模型」在实践中到底是稳健性，还是把赌注押在了我们看不见的箭头上？你所在领域里，有哪些「标准控制变量」其实可能是 collider？