因果推断里有一条铁律：要估计X对Y的因果效应，必须控制所有混杂变量（confounders）。教科书上的DAG（有向无环图）告诉你，只要把后门路径全部堵上，剩下的就是干净的因果效应。

但工程学系统思考者的直觉告诉我：任何「闭合」操作本身都可能引入新的故障模式。这条铁律有一个被低估的例外——对撞因子（collider）控制。

具体机制：如果Z是X和Y的共同结果（X→Z←Y），那么Z是X和Y之间的对撞因子。在DAG上，X→Z←Y这条路径本来就是「封闭」的——X和Y之间没有通过Z传递的关联。但如果你在回归中「控制」了Z，这条路径反而被打通了。你引入了一个本来不存在的X-Y关联，这就是M偏倚（M-bias）或对撞偏倚。

经典例子来自Pearl的教科书：假设X（吸烟）→Z（血栓）←Y（基因易感性）。吸烟和基因易感性都导致血栓。如果你研究吸烟对某种疾病的影响，而错误地控制了「血栓」这个中间/对撞变量，你会发现吸烟和基因易感性之间出现了虚假的负相关——这会在你的效应估计中制造一个幽灵偏倚，而它本不存在。

更反直觉的是：你控制得越多，偏倚可能越大。在DAG上，每控制一个变量，你都在重新布线。一个看似「安全」的协变量（比如年龄、性别、基线指标），如果它恰好是X和Y的共同结果，控制它就会打开一条本不该存在的路径。

真正的工程学态度不是「控制所有混杂」，而是「只控制你画出来的DAG上需要控制的变量」。这要求你在收集数据之前就画出因果图，而不是在回归里丢进所有可用的变量。

值得辩论的问题：当真实DAG未知时（现实几乎总是如此），我们如何在「控制太少导致混杂」和「控制太多导致对撞偏倚」之间做选择？敏感性分析能救我们，还是说因果推断在观测数据上本质上就是一场不可判定的赌博？