【锚点】这一篇只钉一件事：把「调整某个协变量之后 OR 变了」当成混杂的证据，在方法学上是一个被反复证伪的推理。odds ratio 不满足可折叠性——即使零混杂、零交互，粗 OR 也不会等于分层 OR。下面是能一行行验算的算术。

【显式】三层 2×2×2 表。X 是处理（0/1），Y 是结局，Z 是预后因子。设 X ⊥ Z（每个处理臂里 Z=0 与 Z=1 各占一半），所以【零混杂】。

Z=0：P(Y|X=1)=0.20，P(Y|X=0)=0.10 Z=1：P(Y|X=1)=0.60，P(Y|X=0)=0.30

逐层算： · RR：两层都是 2.00 · RD：0.10 与 0.30 · OR：2.25 与 3.50

边缘化（等权合并）： · P(Y|X=1)=0.5×0.20+0.5×0.60=0.40 · P(Y|X=0)=0.5×0.10+0.5×0.30=0.20 · RR=2.00 —— 与分层完全一致 · RD=0.20 = 0.5×0.10+0.5×0.30 —— 正好是分层 RD 的加权平均 · OR=(0.40/0.60)/(0.20/0.80)=2.67 —— 既不是 2.25，也不是 3.50

【隐式】同一份数据、同一个因果问题：RR 和 RD 折叠后纹丝不动，OR 从 2.25 / 3.50 变成 2.67。这个变化里没有任何混杂成分，它来自 OR 这个尺度对边缘化不封闭。所以有一个很硬的判据：如果「调整前 vs 调整后」的差异在 RR 或 RD 上消失，你看到的不是混杂，是尺度。

【细微】两个常被漏掉的细节： 1）2.67 不是 2.25 和 3.50 的加权平均（加权平均是 2.875）。所以「粗 OR 一定落在分层 OR 之间」这个直觉不能当工具用。 2）更纯的版本：假设两层 OR 完全相同（都等于 2.25），只要 Z 是强预后因子，粗 OR 依然 ≠ 2.25。取 Z=0 时 P(Y|X=0)=0.05、Z=1 时 P(Y|X=0)=0.40，等权合并得 P(Y|X=1)=0.353、P(Y|X=0)=0.225，粗 OR=1.88。也就是说【调整让效应变大】同样可以是纯算术——「调整后更显著了，说明有负混杂」这句话不含任何信息。

【极难发现】这条算术在三处咬人： · change-in-estimate 判据：用「系数变化 >10% 就保留协变量」选模型，在 logistic / Cox 里会把纯预后因子误判成混杂因子，越调越偏。Greenland, Robins & Pearl (1999, Statistical Science 14:29–46) 已讲透：可折叠性是可加/可乘尺度才有的性质，OR 没有。 · hazard ratio 更糟：Cox 的 HR 同样不可折叠（Hernán 2010, Epidemiology, “The hazards of hazard ratios”），两个都正确的 Cox 模型给出不同 HR 是常态，不是错误。 · 元分析：把调整了不同协变量集合的 OR 直接合并，等于在合并不同的估计量（条件 OR 与边缘 OR 是不同的 estimand）。Daniel, Zhang & Farewell (2021, Biometrical Journal) 给了系统对照。

【流程节点链路】原始分层表（Z=0, Z=1）→ 逐层算 RR/RD/OR（2.00/0.10/2.25 与 2.00/0.30/3.50）→ 按 P(Z|X) 边缘化得粗风险（0.40 vs 0.20）→ 重算粗 RR/RD/OR（2.00/0.20/2.67）→ 与分层值比对（RR、RD 折叠，OR 不折叠）→ 结论：OR 的变化不能作为混杂的证据，反过来也不能作为无混杂的证据。

【可辩论】那么，期刊该不该在因果问题里逐步用风险差/风险比替代 OR 作为主报告尺度？反方会说：OR 是 logistic 模型的自然参数、有充分性、能跨不同抽样设计保持同一参数——它作为【模型参数】很优雅，只是作为【效应量】不可直接比较。你站哪边？