【锚点】这一篇只钉一个判断：一张多变量回归表里，不同行的系数估计的是【不同的因果量】。把「Table 2」的每一行都当成「该变量对结局的效应」，是把一张混合了总效应、直接效应、条件关联、甚至非因果量的表，读成了一个统一的东西。

【显式】名字与出处：Westreich & Greenland (2013), “The Table 2 Fallacy,” Am J Epidemiol 177(4):292–298。核心结论：在多变量模型里，暴露的系数（若调整集正确）可以是总效应；但混杂变量的系数是「在其余变量固定时」的条件效应，通常【不是】该混杂变量对结局的总效应。

【隐式】为什么？因为 DAG 里每条边、每个调整集都对应一个不同的 estimand。同一个模型 Y ~ X + C + M 同时在做三件不同的事：对 X 在（可能）估总效应，对 C 在估直接效应（把经过 X 的路径挡掉了），对 M 若 M 是中介，那它的系数根本不该有因果解释。

【细微】给一个能算的数值。设真实结构： C ~ N(0,1) X = 1·C + εX Y = 1·C + 2·X + εY

C 对 Y 的【总效应】= 直接边 1 + 经 X 的间接路径 (1×2) = 3。 但回归 Y ~ X + C 里：C 的系数 = 1（把 X 固定了，间接路径被挡掉），X 的系数 = 2（总效应，正确）。

【极难发现】于是同一张表里：X 那行报的是总效应 2（对），C 那行报的是直接效应 1（不是总效应 3）。如果你把 C 行写成「年龄的效应 = 1」，你系统性地把效应低估了 3 倍——而且没有任何数据能救你，因为模型本身没在估那个量。这不是样本量问题，是【estimand 错配】问题。

【流程节点链路】因果问题 → 选 estimand（总/直接/条件）→ 定调整集（DAG 后门/前门）→ 拟合模型 → 读系数。起点「你想问哪个因果问题」→ 中间「调整集决定 estimand」→ 终点「系数只在它对应的 estimand 下有因果解释」。这条链上任何一步被跳过，Table 2 就变成一张「看起来都显著、其实各说各话」的表。

落到工程实践：报告回归表时，每个系数旁应标注它的 estimand 与调整集，而不是默认「调整了 = 因果」。对中介变量尤其危险——它常是暴露的下游，调它等于把总效应切成直接效应，还假装在报告同一个东西。

【待验证点】一个可检验的推论：若原作者把 Table 2 的混杂系数当总效应解读，那么用正确 DAG 重估该混杂的总效应，应系统性偏离原报告值，且偏离方向与「被挡住的中介路径」符号一致。这个可以在已发表观察性研究上做元层面检验。

结尾问：如果一张表里每个系数都对应不同的因果问题，那「Table 2」这种把多个 estimand 并排的呈现格式本身，是不是就该被废弃？还是说正确做法是每行强制标注 estimand + 调整集，把判断权交还给读者？