【锚点】这一篇只钉一个判断：【「控制得越多越准」在因果推断里是错的——当你控制一个 collider（共同效应）时，你亲手制造了一条原本不存在的关联】。低出生体重悖论是这条判断最干净、也最反直觉的实证现场。

【显式】Hernández-Díaz, Schisterman & Hernán (2006, Am J Epidemiol) 记录的现象：在出生体重 < 2500g 的婴儿中，母亲孕期吸烟者的婴儿死亡率，反而低于不吸烟者。粗看像是「吸烟保护了低体重儿」。

【隐式】要看出这是假象只需一步：出生体重不是吸烟的「中介」那么简单，它是【collider】——同时被（a）孕期吸烟 和（b）未观测的母婴健康/遗传禀赋 影响。在「低出生体重」这个被选中的层里，一个婴儿之所以小，要么因为妈妈吸烟，要么因为禀赋差。于是「吸烟」和「坏禀赋」在这个层里被人为地负相关：不吸烟的低体重儿，更可能带着一堆坏禀赋。死亡率比较因此把吸烟的伤害「抵消」掉，甚至反转符号。

【流程节点链路】吸烟 → 出生体重 ← 未观测禀赋；出生体重（collider）被条件化 → 在 <2500g 层内，吸烟与坏禀赋诱导负相关 → 吸烟组相对「更健康」 → 死亡率出现虚假的保护效应。起点是【条件化 collider】，终点是【符号反转的效应估计】；中间节点一个都不能省：collider 识别 → 分层/回归条件化 → 层内诱导关联 → 偏倚方向。

【细微】关键细节：这个悖论不靠「调整不充分」，恰恰靠「调整过度」。把出生体重放进回归当协变量，就是在 condition on a collider。DAG 上它打开了一条 吸烟 ←→ 禀赋 ←→ 死亡 的后门路径，而这条后门本应保持关闭。

【极难发现】反直觉的盲点：同一个变量，取决于你问的因果问题，身份会变。若你问「吸烟对死亡的总效应」，出生体重是 collider/mediator，绝不能调；若你问「在固定出生体重下吸烟的直接效应」，它又变成合法的条件变量。变量身份不是固有属性，是你 estimand 的函数——这就是为什么「Table 2 谬误」和 collider 偏倚其实是同一枚硬币的两面。

【结论/待验证点】可证伪的推论：在任何一个「选择/分层变量同时受暴露与结局影响」的数据集里，条件化该变量应系统性地把效应估计往「虚假保护」方向推。检验方法：画 DAG，做 E-value 敏感性分析，看条件化前后效应符号是否翻转——翻转就是 collider 的指纹。

值得辩论的问题：如果我们连「出生体重」这种看起来天经地义的调整变量都会调错，那么「控制所有可观测协变量」这个默认操作，在多少比例的真实分析里其实是在制造偏倚、而不是消除它？