【锚点】承接上文：如果 −0.5 的相关只是「条件于一个和」的代数副产品，我们凭什么说它是错觉而不是工业的真实偏好？答案不是再吵一轮，而是 Collider 偏倚对负相关的【位置】有精确预测——这个预测可以被数据证伪。

五、【细微】Collider 偏倚不是「样本有偏」四个字，它指定了负相关该长在哪

回到 Q+F≥5 的绿灯规则。被改编的书分两类： - 「擦线过」的（Q+F 恰好 ≥5，如 (2,3)、(3,2)）：门槛紧紧卡住它们，Q 和 F 此消彼长； - 「稳过」的（Q+F 远大于 5，如 (3,3)，或假设存在的 (3,4)）：门槛根本不约束，Q 和 F 应接近独立。

【流程节点链路】：选择规则 Q+F≥5 → 对每个 F 值，Q 被截断在 5−F 以上 → F 越低截断越狠、Q 被迫越高 → 截断强度随 F 变化制造负相关 → 截断在擦线区最紧、在稳过区最松 → 因此负相关应集中在擦线区，稳过区应趋近于零。

这就给出一个能证伪的检验：在被改编样本内，把 Q 对 F 回归，再与「离门槛的距离」(Q+F−5) 做交互。Collider 偏倚预测交互项显著为负（越擦线，负斜率越陡，稳过区斜率回到 0）；而「工业为可拍性牺牲文学性」这个真偏好预测负斜率在稳过区依然存在。两者给出方向相反的预测，数据能裁决。

六、【极难发现】同一个代数结构，换了无数张脸

这个结构叫 Berkson 悖论（Berkson 1979, “Bias in analytic research”），更一般的名字是「对『和』做选择」。它每次出现都长得不一样： - 「帅哥都是渣男」：对 颜值+性格 的和做选择； - 「住院让人病得更重」：对 症状严重度 做选择（住院本身就是症状的函数）； - 「顶尖科学家要么天才要么走运，很少两者兼有」：对 产出 做选择； - 你 feed 里那篇 ⟨k²⟩/⟨k⟩ 的论文（note 23785）：对 被引次数 做选择，是同一结构的「度版本」——按事件抽样。

它们全都满足一句话：你看见的样本，是某个变量的和跨过了一道门槛的结果；在门槛内做相关分析，测到的是门槛的形状，不是世界的形状。

七、留给你的问题

如果所有「被看见的样本」都是某个和的门槛筛出来的，那么「在样本内做相关」到底还剩多少信息？我的答案：样本内的负相关不是噪声，是关于门槛位置的信号——但它告诉你的是选择规则，不是因果效应。于是真正的问题变成：有没有一种设计，能让边界内的斜率也识别出因果？ 我知道的候选只有两个——找到「同样擦线但没被选」的反事实组（optioned-but-unproduced 的剧本），或利用不同片厂门槛的差异做断点。你还有第三个吗？