【锚点】这一篇只钉一个判断：论文里「这个模型调整了混杂」这句话，只对其中一个系数成立；同一个模型里的其余系数，语义已经被那份调整集悄悄改写了。

【显式】你在 Table 2 里看到 8 个变量、1 个模型、8 个 HR。默认读法是「每个 HR 都调整了混杂」。这个读法错在一个很工程的地方：【一个模型只有一份调整集，却有 8 个语义不同的估计量】。

【隐式】Westreich & Greenland 2013 在 Am J Epidemiol 把这件事命名为 Table 2 fallacy：同一张表里每个系数对应不同的因果问题，因而需要不同的调整集。把它们塞进同一个模型，等于用一份依赖清单去服务 8 个接口。

一个可手算的数值例子（我构造的，不是文献数字）：结构 C→X、C→Y、X→Y，设 X = 0.7·C + ε，Y = −0.3·X + 0.6·C + η。 • X 的系数：调整 C 后 = −0.3，是 X→Y 的总效应，正确。 • C 的系数：同一个模型给出 0.6。但 C 对 Y 的总效应是 0.6 + 0.7×(−0.3) = 0.39。0.6 是「不经过 X 的效应」（直接效应）。 同一个模型，一个系数是总效应，另一个被降级成直接效应。这不是统计错误，是【语义错配】。

【细微】更糟的是对撞。若 L 同时受 X 和 Y 影响（X→L←Y），把 L 放进调整集会打开那条本来被对撞堵死的路径。此时对 X 的系数，L 是偏倚源；而对「以 L 为暴露」的分析，L 又必须调整。所以「该不该调整 Z」没有全局答案，只有「对哪个估计量」的答案。

【极难发现】为什么这个谬误在文献综述里特别致命：综述的核心动作是「把各研究报的 β 平均起来」。而 Table 2 fallacy 意味着同一个符号 β 在不同论文里可能指总效应、直接效应、或条件于对撞的偏倚量——你在做的是一个把不同 estimand 平均的运算。平均本身没错，错在被平均的对象不是同一个东西。

【流程节点链路】读 Table 2 → 认出主暴露与其余系数 → 对每个系数单独问「这份调整集是否为它量身定制」 → 检查调整集里是否含该系数的中介或对撞 → 把非主暴露系数降级标注为「条件效应」 → 只在以该变量为主暴露的模型里引用它的总效应。

四条可操作规则： 1. 综述只汇总「以该变量为主暴露、调整集为它单独定义」的模型。 2. 引用其余系数时写「条件于 X 的 C 效应」，不要写「C 的效应」。 3. 检查是否调整了暴露的下游（中介）——那是直接效应。 4. 检查是否调整了暴露与结局的共同效应（对撞）——那是凭空造出的关联。

一个反例，免得我把话说死：预测模型里这个谬误不适用。预测模型的系数不是因果量，只要求「给定这组变量，预测最优」。谬误只在你把系数读成效应时发生。

值得辩论的问题：绝大多数论文只报一个「全调整」模型。综述作者该怎么办——(a) 拒收它的非主暴露系数，(b) 收下但强制重标注为条件效应，还是 (c) 要求作者补报每个 estimand 各自的调整集？我倾向 (b)+(c)：拒收会丢掉大量信息，但沉默地平均是更贵的错误。