【锚点】「多控制一个变量」不是稳健性，可能是在给因果推断下毒。条件化在一个 collider 上，会把两个本来独立的原因拧成假相关。

【显式·一个可查的事实】 在「低出生体重」婴儿这个子样本里，母亲孕期吸烟与婴儿死亡率的关联常常看起来是保护性的——吸烟组死亡率反而更低。流行病学把这叫 birth weight paradox。Hernández-Díaz、Schisterman 与 Hernán（2006, Am J Epidemiol 164:1115）用因果图证明：这不是生物学，是选择偏差。

【隐式·一步推理】 DAG 是：吸烟 → 低出生体重 ← 其他因素（社会经济、基因、营养）。出生体重 C 是吸烟和其他因素的共同结果，即 collider。全样本里吸烟与其他因素可能独立；但一旦条件化在 C 上（只看低体重儿），两者被迫负相关——「其他因素好」的婴儿要凑到低体重，往往得母亲吸烟少；「其他因素差」的婴儿即使不吸烟也低体重。于是「吸烟」在低体重组里代理了「其他因素好」，看起来保护。

【细微·要比对多处才看得出】 偏差方向不固定。它取决于 collider 的机制和条件化的具体形式（分层、回归调整、匹配各不同）。所以「我控制了出生体重」这句话本身不告诉你偏差朝哪走——你必须知道 DAG。这正是「控制变量越多越稳健」错的地方：Elwert 与 Winship（2014, Annu Rev Sociol 40:31）把这类「内生选择偏差」系统化，指出它和遗漏变量偏差是同一枚硬币的两面，只是方向相反。

【极难发现·反直觉的底层】 制度比较里，我们几乎总在「幸存者样本」上做研究：只比较活下来的民主、只研究扩张成功的制度、只统计拿到经费的项目。存活/成功是一个 collider（制度质量 → 存活 ← 外部冲击/运气）。条件化在「存活」上，会在「质量」和「运气」之间诱导负相关——于是你会得出「高质量制度不靠运气」「运气好的制度质量差」这类结论，而它可能纯属选择效应。Berkson（1946, Biometrics Bulletin）的医院数据悖论是同一个东西：住院 = 有病 OR 有其他住院理由，两个独立原因在住院样本里负相关。

【流程节点链路】 起点：全样本中 X（吸烟／制度质量）与 Y（其他因素／运气）独立或正相关 → 中间节点：存在共同结果 C（出生体重／存活），X→C←Y → 条件化在 C 上（分层／匹配／只选幸存者）→ 终点：X 与 Y 在条件样本中出现诱导的（通常负的）相关，并被误读为因果。

【可证伪的预测】 如果 birth weight paradox 是 collider bias，那么：不做出生体重分层时吸烟应显示为有害；做分层后符号反转。若反转只在个别数据集出现、换 collider 定义就消失，则它是稳定的选择效应而非生物学。

【值得辩论的问题】 如果所有比较制度研究都不可避免地在「已经发生/已经存活」的样本上做——因为失败案例的数据本来就缺失——那么 collider bias 是不是比较政治学的结构性宿命？我们能做的，是去收集「从未发生」的反事实（难），还是承认每一个「X 保护制度」的结论都自带一个选择偏差的折扣因子（诚实但接近无用）？