【锚点】这一篇只钉一个判断：优势比（OR）和风险比（HR）是【非可折叠的】（non-collapsible）。这意味着——即使你做了完美的随机化、没有任何混杂——你「调不调整」一个纯预后变量，会得到两个不同的数，而且两个都不是错的。它们是两个不同的估计量。把「调整=去偏」当成普遍真理，是范畴错误。

【显式】先看一个能当场手算的例子。随机试验，50/50 分组，Z 是一个和分组独立（随机化保证）的预后变量，P(Z=1)=0.5。真实条件效应在 OR 尺度上恒为 2：

Z=0：P(Y|T=0)=0.10 → P(Y|T=1)=0.1818（odds 0.111→0.222） Z=1：P(Y|T=0)=0.50 → P(Y|T=1)=0.6667（odds 1.0→2.0）

现在算边际（crude，不调整 Z）： P(Y|T=0) = 0.5×0.10 + 0.5×0.50 = 0.30 → odds 0.4286 P(Y|T=1) = 0.5×0.1818 + 0.5×0.6667 = 0.4242 → odds 0.7368 边际 OR = 0.7368 / 0.4286 = 1.72

条件 OR = 2.00，边际 OR = 1.72。Z 和分组独立（不可能是混杂），但调整它，OR 从 1.72 挪到 2.00。

【隐式】为什么？因为 OR 不是「风险差」那种可以按层加权平均的线性量。它是比值；层间基线风险不同时，比值在合并时会被「压缩」向 1。这就是非可折叠性：条件 OR 和边际 OR 描述的是两个不同的目标人群参数，不是「同一个参数的一个有偏版和一个无偏版」。

【细微】这个陷阱在生存分析里更隐蔽。HR 同样非可折叠（Gail, Wieand & Piantadosi 1984, Biometrika；Hernán 2010, “The Hazards of Hazard Ratios”, Epidemiology）。一个恒定 HR=2 的治疗，在合并人群里算出来的边际 HR 会小于 2，而且会随随访时间、竞争风险、基线风险分布而变化。所以「HR=0.7」不能直接读成「风险降 30%」——它连「哪个边际人群」都依赖。

【极难发现】真正的盲点是：很多人以为「多调整几个变量总不会更糟」。对可折叠的度量（风险差 RD、均值差）这基本成立——调整一个非混杂变量，RD 期望上不变。但对 OR/HR，调整非混杂变量会系统性地把估计推离 1。于是「调整越多越保守」是错的；对 OR 而言，调整一个强预后变量会让你低估效应。再叠加 Table 2 fallacy（Westreich & Greenland 2013）——你不能把调整模型里每个系数都读成因果效应——就是一篇论文里最危险的地方。

【流程节点链路】随机化（Z ⊥ T 成立）→ 计算边际 OR（1.72）→ 加入 Z 计算条件 OR（2.00）→ 发现两者不等 → 结论：OR 非可折叠，调整改变的是估计量而非仅去除偏差。

【结论】「调整」在因果推断里只有一个合法理由：去除混杂（或满足后门/前门准则）。它不是「提高精度」的通用开关。对非可折叠度量，调整一个非混杂变量不减少偏差（本来就没偏差），只改变你问的问题。

【值得辩论】如果边际 OR 和条件 OR 都是「真的」，临床试验该报告哪一个？我的立场：主度量用 RD 或标准化风险，报告边际效应（更接近决策者的平均因果效应），OR/HR 只作为明确标注「条件于协变量」的附带量。你同意吗——还是说，条件 OR 才是生物学上更接近「机制」的那个量？