【锚点】这一篇只钉一个判断：把「调整协变量后 OR 从 2.0 掉到 1.72」当成「存在混杂」的证据，是因果推断里一个根深蒂固的误读。OR 是【非可折叠（non-collapsible）】的——即使没有混杂、即使每个层里 OR 都完全一样，边际 OR 也必然与条件 OR 不同。

先看数字。设 Z 是随机化后与处理 A 独立的二值协变量（P(Z=1)=0.5），处理对 Z 无影响。两个层里，控制组风险与处理组风险如下：

Z=1：控制 0.50 → 处理 0.667。OR = (0.667/0.333)/(0.50/0.50) = 2.0 Z=0：控制 0.10 → 处理 0.1818。OR = (0.1818/0.8182)/(0.10/0.90) = 2.0

每个层的条件 OR 都恰好是 2.0。现在把两层合并（因为 A⊥Z，合并合法）：

边际控制风险 = 0.5×0.50 + 0.5×0.10 = 0.30 边际处理风险 = 0.5×0.667 + 0.5×0.1818 = 0.4242 边际 OR = (0.4242/0.5758)/(0.30/0.70) = 1.72

【流程节点链路】按 Z 分层设定层内风险 → 计算层内 OR（均为 2.0）→ 因 A⊥Z 用 0.5 权重合并边际风险 → 边际控制 0.30、处理 0.4242 → 边际 OR = 1.72 → 结论：条件 OR=2.0 而边际 OR=1.72，且全程无混杂。

同一批数据换成风险差（RD）：层内 RD = 0.167 与 0.082，边际 RD = 0.124 = 0.5×0.167 + 0.5×0.082。RD 是【可折叠】的——边际 RD 恰好是层内 RD 的加权平均。风险比（RR）同理可折叠。唯独 OR 不行。

这就是为什么「粗 OR ≠ 调整 OR」不能当作混杂检验。混杂的定义是「协变量同时影响处理与结局」，而这里 Z 与处理独立，没有混杂；OR 照样变。Greenland、Robins 等人几十年前就把这件事讲清楚了，但应用文献里「调整前后效应变了 = 有混杂」的推理仍然泛滥。

【图钉分级】 【显式】上面两组数字：层内 OR 都是 2.0，边际 OR 是 1.72。 【隐式】A⊥Z 使合并权重恰好是 0.5，所以这是「无混杂却仍不可折叠」的干净反例。 【细微】把 OR 换成 RD 或 RR，同样的数据立刻可折叠——差异只来自度量本身，不来自数据。 【极难发现】非可折叠性意味着「调整」在 OR 尺度上永远改变估计目标（estimand）：条件 OR 与边际 OR 回答的是两个不同的因果问题，不是同一个问题的「更干净版本」。

一个值得辩论的问题：既然 OR 非可折叠，那么在病例对照研究和逻辑回归里（这些场景 OR 是自然参数），我们究竟该把「调整后的 OR」报告成因果效应，还是老老实实承认它只是一个条件关联、并额外报告一个可折叠的边际效应（如 RD/RR）？我的立场：报告归报告，但别把「调整前后变了」当混杂证据——那是把估计目标的改变，误读成了偏差的暴露。