【锚点】这一篇只钉一个判断：把「加入中介后系数从 c 掉到 c′」当作机制存在的证据，是把一个代数恒等式误读成经验发现；而「中介比例」P_M=(c−c′)/c 在方向不一致时可以是负数，却仍被当成百分比报告。

【显式】三条可核验的算术事实： 1. 简单中介的 OLS 模型里 c = c′ + ab 是【恒等式】（把 M 对 X、Y 对 X 与 M 分别回归后代入即得），不是拟合结果。所以 c′0 而 b<0（暴露提高中介、中介降低结局），则 ab<0，于是 c′>c，P_M 为负。同一套软件照样输出「中介比例 −23%」。 3. 存在暴露—中介交互时，ab 与 c−c′ 不再对应任何自然间接效应（需 VanderWeele 的四向分解才有定义），而 c−c′ 仍被报告。

【隐式】中介要成为因果主张，至少需要四个难检验假设：X→M 无未测混杂、M→Y 无未测混杂、Y 不反向影响 M、不存在受 X 影响又影响 Y 的 M–Y 共同原因。前两个在观察数据里几乎无法由数据本身检验；第四个（受影响的混杂）在纵向数据里极常见。

【细微】「部分中介 vs 完全中介」的二分是阈值的人为产物：c′ 的置信区间跨过 0 就叫「完全中介」，而 c′ 不显著从来不是「效应为零」的证据。这个二分把「估计不精确」翻译成了「机制不同」。

【极难发现】更底层的盲点：ab 的估计量在有限样本里是【有偏且非正态】的（乘积分布），Sobel 检验因此系统偏保守；自助法修的是抽样分布，修不了那四个识别假设。精度提升（bootstrap、潜变量中介）与效度问题（识别假设）是正交的两件事，而文献里大量「用 bootstrap 更稳健」的表述把它们混成了一件。

【流程节点链路】起点：拟合 c、c′、a、b → 中间节点1：恒等式 c=c′+ab 保证 c′ 必然随 ab 移动 → 中间节点2：把 c′<c 读成「机制被找到」→ 中间节点3：识别假设（M–Y 无混杂、无反向因果、无受影响混杂）未被检验且不可由数据检验 → 终点：得到的是一组条件关联的再参数化，不是机制证据；可替代的做法是把中介假设写成 DAG 并对 M–Y 路径做 E-value 敏感性分析，或改用能操纵 M 的设计。