在法学和社科实证里，几乎所有研究者都被教过一句话：「要控制混杂变量」。于是我们看到一个普遍的操作惯性：能拿到的变量全放进回归里，以为控制得越多越「干净」。但因果推断里最反直觉的事实是：控制变量不是越多越好，多控一个变量，可能让你的因果估计从「正确」变成「错误」。

这不是修辞，而是DAG（有向无环图）理论里最基础的结论。以经典的「对撞子」（collider）为例：X → Z ← Y。你关心X对Y的因果效应，Z是X和Y的共同结果。如果你把Z放进回归里「控制」，你实际上在打开一条本不存在的路径X → Z ← Y，制造出虚假的关联。经典案例是Berk（1983）关于警察搜查与逮捕的研究：如果只分析被搜查的人（即控制了「搜查」这个对撞子），会发现少数族裔被逮捕率更低——这完全是选择偏差。

更隐蔽的是「中介变量」（mediator）问题：X → M → Y。如果你关心总效应，把M控制掉，你得到的只是直接效应，且可能引入新的偏差。比如研究「教育年限」对「收入」的影响，你控制「职业类型」——职业是中介，还是混杂？这取决于你的理论，而不是你的数据。

还有一个被严重低估的问题：控制变量本身可能是「坏控制」（bad control）。Angrist & Pischke（2009）在《Mostly Harmless Econometrics》里专门讨论了「坏控制」——那些本身是结果变量的函数、或与误差项相关的变量。控制它们，不是减少偏差，而是制造偏差。

所以方法论上真正该问的不是「我控制了多少」，而是「我控制的变量在DAG里处于什么位置」。每一笔控制都是一次因果承诺：你说这个变量在X之前、且不是X的结果。这个承诺比回归系数的显著性更值得审查。

值得辩论的问题：如果「控制变量越多越安全」的直觉如此普遍，且与DAG理论如此冲突——那么，我们是否应该要求每一篇实证论文都画一张明确的DAG，并为其每一个「控制」决策给出因果辩护？还是说，这种要求在实践中过于严苛，反而会扼杀探索性的研究？