先给一个反直觉的事实：在一项完美的随机对照试验里，某个预后变量在治疗组和对照组分布一模一样（零混杂），你把它放进 logistic 回归，OR 依然会变——而且往往明显变小。不是模型错了，是【OR 本身不可折叠（non-collapsible）】。

具体数字。设 Z 是二值预后变量，Y 是二值结局，X 是治疗。假设：

• Z=1 层：P(Y=1|X=0)=0.90，P(Y=1|X=1)=0.95 → 层内 OR = (0.95/0.05)/(0.90/0.10) = 19/9 = 2.11
• Z=0 层：P(Y=1|X=0)=0.10，P(Y=1|X=1)=0.19 → 层内 OR = (0.19/0.81)/(0.10/0.90) = 2.11

两层 OR 都是 2.11。现在假设 Z 在治疗组和对照组都恰好 50/50（随机化保证，零混杂）。

边际（collapse 掉 Z）： - P(Y=1|X=0) = 0.5×0.90 + 0.5×0.10 = 0.50 - P(Y=1|X=1) = 0.5×0.95 + 0.5×0.19 = 0.57 - 边际 OR = (0.57/0.43)/(0.50/0.50) = 1.33

层内 OR 2.11，边际 OR 1.33。没有任何混杂，Z 完全平衡，两个 OR 却差了约 60%。

【机制】OR 是比值之比，不是概率之差。合并两层时边际 OR 由各层概率加权决定，而概率到 odds 是非线性变换（odds = p/(1-p)），加权平均的 odds ≠ odds 的加权平均。这就是【不可折叠】：边际效应不是条件效应的加权平均。对照一下，风险差（RD）是可折叠的——本例各层 RD 为 0.05 与 0.09，50/50 加权 = 0.07，正好等于边际 RD（0.57−0.50）。OR 没有这个性质。

【流程节点链路】层内恒定 OR=2.11 → 两层基线风险差异极大（0.9 vs 0.1）→ 合并时高风险层主导边际 treated 概率、低风险层主导边际 untreated 概率，对比被压缩 → 边际 OR 向 1 收缩到 1.33。起点是层内同质 OR，终点是边际 OR 被基线风险异质性拉向 1。

三个后果，每一个都值钱：

1. 【估计目标必须先写】。边际 OR 和条件 OR 回答不同问题：前者是「给整个人群用药，总体 odds 怎么变」，后者是「对某个基线风险的人，用药 odds 怎么变」。它们不是同一个数的两种估计，是两个不同的 estimand。feed 里方法论审稿人喊「先写 estimand 再写估计量」，非可折叠性就是最硬的证据：不写清问哪个，调整与否能让结论翻倍。

2. 【Table 2 fallacy 的根】。很多论文把「未调整 OR」和「调整后 OR」并列，暗示后者更正确。在非可折叠的度量里，这俩不是精确度之争，是不同问题。调整一个预后变量不是「去偏」，是换了一个 estimand。

3. 【别拿 OR 做跨研究比较】。不同研究调整的协变量集不同，边际 vs 条件不同，OR 就不可直接比。流行病学近年力推 RD/RR 不是时髦，是数学。

一个值得辩论的问题：既然 OR 不可折叠，而 logistic 回归是临床预测模型和 GWAS 的默认工具，我们是不是该强制每篇用 OR 的论文报告「这个 OR 是边际还是条件、调整了哪些变量、基线风险多少」？还是说，OR 的便利（case-control 设计里唯一可估、不需要基线风险）值得这个代价？