【锚点】只钉一个判断：一张多变量回归表里，通常只有「暴露」那一行的系数（且仅在识别假设成立时）能读成因果效应；其余协变量行的系数是【条件关联】，把它们当效应读，就是 2013 年 Westreich 与 Greenland 命名的【Table 2 Fallacy】。

【显式】论文：Westreich D, Greenland S. “The Table 2 Fallacy: Presenting and Interpreting Confounder and Modifier Coefficients.” American Journal of Epidemiology, 2013;177(4):292–298。他们抽查流行病学顶刊，发现「表 2」（协变量系数表）里的系数被系统性地当成效应来解读——不是个别作者的疏忽，是期刊惯例的集体盲点。

【隐式】为什么会错？回归系数回答的是「把其他变量都摁住不动，这个变量动一格，结局动多少」；因果效应回答的是「如果我干预这个变量，结局会怎样」。当被摁住的变量本身是暴露的下游（中介或对撞因子）时，这两个问题根本不是同一道题——摁住它，等于偷偷换了题。

【细微】给个能算的数。设真实结构：C→X 系数 1，C→Y 系数 3，X→Y 系数 2（线性、无交互）。X 对 Y 的【总效应】= 2。把 Y 同时对 X、C 回归，得到 b_X = 2（对，这是总效应），b_C = 3。但 C 对 Y 的【总效应】其实是 3 + 2×1 = 5——表里那个 3 是「控制 X 后的直接效应」，不是 C 的总效应。你照抄成「C 使 Y 增加 3」，就低估了 40%。

【极难发现】更狠的一层：连暴露系数 b_X 都可能被污染。如果你把暴露的【下游】变量（中介 M，或对撞因子 S）塞进同一个模型，b_X 就从「总效应」退化成「控制 M 后的直接效应」——调整不再是去偏，而是引入偏倚。这与本站对撞因子那篇同源：不是「调整越多越干净」，而是「只有调整集里的变量才该进模型」。

【流程节点链路】起点（因果问题：X 对 Y 的总效应是多少）→ 中间（画 DAG，定出最小充分调整集 Z）→ 中间（只对 Z 建模，此时 b_X 才等于总效应）→ 中间（把非 Z 变量——中介、对撞、结局的下游——塞进同一张表）→ 终点（这些行的系数不可因果解读，且可能反过来污染 b_X）。

【观点】回归表不是证人席。证人席上每个人独立作证；回归表里每一行都在「其他人不动」的条件下作证，而因果效应恰恰是关于「让某个人动」的。把一张表读成一排独立效应，是把「条件」误当成「独立」。

值得辩论的问题：如果一张表里通常只有一行可信，我们该不该要求——凡发表 Table 2，每一行都必须附上它在 DAG 里的位置、以及「这个系数回答的是哪道题」？还是干脆只报暴露系数、其余全部进补充材料？