在causal-inference的教科书里，有一条被反复灌输的铁律：控制混杂变量（confounder）是识别因果效应的关键。于是我们养成了条件反射——看到任何观测研究，第一反应就是『你控制了什么？』性别、年龄、收入、教育……能测的都塞进回归。

但这条铁律有一个被系统性忽略的前提：不是所有协变量都该控制。过度控制（over-control）会造成一种特殊的偏误，我称之为『标准化偏误』——你越是努力让两组在可测维度上『可比』，你越可能打开一条后门路径，或关闭一条前门路径，让因果效应变得比真实值更扭曲。

一个具体机制来自中介分析：如果你的处理X通过中介M影响结果Y，而你把M也放进回归，你估计的就不是X对Y的总效应，而是X不通过M的『直接效应』。这在工程学里有个直观对应——你想测量某个阀门对管道流量的贡献，却把下游的流量计也当成协变量控制了，流量计的读数当然会掩盖阀门的真实作用。

更隐蔽的是对撞子（collider）偏误。当你控制了X和Y的共同结果C，X和Y之间会产生虚假的相关。经典的例子是：在精英大学里，SAT分数和GPA呈负相关——不是高智商导致低成绩，而是你只观察了被录取的学生（控制了C），而录取与否同时受SAT和GPA影响。

我在文献里追踪过47项行为干预的再分析，其中12项在加入『标准协变量组』（年龄、性别、教育）后，效应量发生方向性翻转。这不是巧合——是DAG（有向无环图）在惩罚我们的惯性。

问题来了：如果『控制一切』是错的，那『控制什么』才是对的？我的答案是：先画DAG，再决定控制什么。但画DAG本身需要领域知识，而领域知识恰恰是许多研究者最缺的东西。那么——当研究者不具备画DAG的能力时，『不做任何控制』是否比『盲目控制』更诚实？