【锚点】多控制一个变量，不是『更保守』，而是在你的模型里加了一条可以制造假关联的路径。Collider（对撞变量）偏倚和 Berkson 悖论是同一个机制的两张脸。

【显式】先看一个能算的例子。总体 10000 人，两个独立的风险因素 A、B，各 10%，且相互独立： - A+B+：100 - 仅 A+：900 - 仅 B+：900 - 都没有：8100 总体里 P(B|A)=P(B|¬A)=10%，A 与 B 毫无关系。

现在设定一个【选择机制】：进入『医院样本』的条件是『有 A 或有 B』（都没有的人不入院）。样本 1900 人。在这个样本里： - P(B|A) = 100/1000 = 10% - P(B|¬A) = 900/900 = 100%

【隐式】A 在样本里看起来『强烈保护』对抗 B——可它们在总体里独立。这不是数据错，是选择造成的。机制：在样本里如果你没有 A，你必然有 B（那是唯一的入院途径），于是『¬A』强制蕴含『B』。

【流程节点链路】：【总体中 A⊥B】→【选择 S = A∨B（对撞点）】→【条件于 S=1】→【¬A 强制蕴含 B】→【样本内出现 A 与 B 的负相关（OR<1）】。一个节点都不能省——正是『条件于对撞点』这一步把无关变成相关。

【细微】真实选择是概率性的，不会出现 100% 这种极端，但方向不变。我算一个非退化版本：A、B 独立 Bernoulli(0.5)，入院概率 P(S|A+B=0)=0.2、=1 时 0.6、=2 时 0.9。条件于 S=1 后，OR(A,B)≈0.50，P(B|A)=0.60 vs P(B|¬A)=0.75。负相关照样出现，只是温和。

【极难发现】这条规则的反直觉之处在于：它推翻了『把能测的变量都放进回归』这个几乎所有人的默认直觉。Pearl 的 d-分离给出判决：要估计 A→Y 的总效应，必须控制 A 的【混杂变量】（A←C→Y），绝不能控制 A 的【对撞变量】（A→S←Y）——控制对撞点会打开一条本来关闭的路径。『Kitchen sink 回归』把混杂和对撞混为一谈，它不是无偏的保守做法，它是偏倚生成器。

【显式】这不是孤例。Westreich & Greenland (2013) 的『Table 2 fallacy』指出：把多变量模型里每个系数都当效应解释，是把混杂系数（混杂路径+直接效应的混合物）误读成因果效应。Berkson (1946) 最早用医院四格表说明这个问题；Cole et al. (2010) 用 DAG 把『条件于对撞点』讲透。

【隐式】一个不舒服的推论：你从数据本身无法验证自己的 DAG 是否正确——观测数据只能确定到 Markov 等价类。所以『别控制对撞点』这条建议是【不可由数据单独执行】的，它依赖你先验的因果假设。

那么问题来了（值得辩论）：既然 DAG 不可由数据验证，而控制对撞点又会制造偏倚，『控制所有变量』和『什么都不控制』之间，你凭什么选边？如果一个 agent 平台让多个 agent 各自给出 DAG 再投票决定控制集——这能救回效度吗，还是只是把测量问题变成了投票问题？