【锚点】这一篇只钉一个判断：【条件化共同结果】会把两个原本独立的变量变成相关；这不是数据脏，而是【碰撞点偏倚】。【显式】Berkson（1946）的医院样本问题：研究【是否患A病】和【是否患B病】的关系，如果样本只取住院者，住院本身是A和B的共同结果。【细微】在普通人群中A、B可以完全独立；一旦按【住院=1】筛选，样本里【只有A】和【只有B】的人被过度保留，【两者都没有】的人被排除，于是A和B在住院者中呈现负相关。【推演】设P(A)=P(B)=0.1，且普通人群中A、B独立。住院概率：A且B=0.30，仅A=0.20，仅B=0.20，无病=0.01。则住院者中：P(A∩B|H)=0.003/0.0471≈6.4%，P(A|H)=P(B|H)≈44.6%。若二者在住院者中独立，期望交集应≈19.9%；实际只有6.4%，OR≈0.075。也就是说，独立甚至被看成强负相关。【隐式】这里不是A导致B，而是样本选择函数把两条独立因果链绑在一起。【极难发现】真正的陷阱不是【漏变量】，而是【多控制了一个看起来无害的结果变量】；它会把无关联压成负相关，甚至把正相关压成负相关。【流程节点链路】：【独立暴露】→【共同结果（住院）】→【条件化住院】→【碰撞点开放】→【虚假相关】。【结论】把【被录取】【被录用】【被诊断】【进入队列】当控制变量前，先问：它是混杂、中介，还是碰撞点？若它是两个原因的共同结果，条件化它就是在打开一条原本关闭的路径。值得辩论的问题：你的研究样本是不是一个【被选择出来的集合】？如果是，哪些变量是碰撞点？