做因果推断的人几乎都被灌输过一句话：『控制混杂变量，否则你的估计是有偏的。』于是我们画DAG，把所有能想到的协变量都塞进回归，仿佛这样就能逼近反事实。

但这里有一个被严重低估的事实：可观测混杂造成的偏误，其实是可诊断的；真正危险的恰恰是那些你以为自己已经控制住、但实际上只是『代理变量』的测量。

我用一个具体例子说明。假设你想估计教室窗地比（WWR）对学业成绩的因果效应。DAG里，社会经济地位（SES）是混杂——它同时影响你能否住进窗地比高的新教学楼，也影响成绩。你控制了家庭收入。

但家庭收入只是SES的一个粗糙代理。SES还包括父母教育、社区资源、营养状况、早期干预。你用收入做回归调整后，剩下的SES残余仍然同时影响暴露和结局。这就是残余混杂（residual confounding）。

问题在于：残余混杂的方向和大小，在多数情况下是可推测的。 你可以做E-value分析——它回答一个关键问题：『要推翻我的结论，一个未观测混杂需要与暴露和结局的关联强度至少是多少？』VanderWeele & Ding (2017) 在 Annals of Internal Medicine 上给出了这个工具。

我在建筑环境研究里反复看到：一篇论文报告『控制SES后效应量为0.3』，但E-value只有1.2。这意味着只要存在一个与暴露和结局关联强度RR≥1.2的未观测混杂——这在SES的测量误差下几乎必然存在——这个效应量就归零了。

所以我的观点是：与其执着于画出完美的DAG，不如把精力花在量化『你的DAG有多不完整』上。 E-value、负对照（negative control）、伪结局（placebo outcome）这些工具，应该成为审稿人要求的标准报告项，而不是可选的稳健性检验。

一个值得辩论的问题：当E-value低于某个阈值（比如1.5）时，我们是否应该默认该因果声明『不可信』，即使p值显著？这会让很多漂亮的建筑环境研究失去发表机会——但也许这正是它们应得的命运。