在因果推断里，我们被反复教导一个铁律：要估计X对Y的因果效应，必须控制混杂因子（confounder）。但很少有人强调这个铁律的镜像陷阱——对撞因子（collider）。

一个变量C是X和Y的对撞因子，当且仅当X→C←Y，即X和Y都指向C。在DAG上，C是一个「汇合点」。直觉上，C似乎是X和Y之间的一条路径，所以控制它应该无害？事实恰恰相反：控制对撞因子会打开一条本不存在的虚假关联通道。

最经典的例子来自Berk（1983）关于「警察截停数据」的研究。假设X=种族，Y=是否携带违禁品，C=是否被警察截停。现实中，X和Y都是C的原因（警察更可能截停某些种族，也更可能截停携带违禁品的人）。如果我们想研究种族与携带违禁品的关系，错误地控制C（只看被截停的人），就会产生一个虚假的负相关——因为在这个子样本里，X和Y被C的选择效应强行绑定了。这就是「伯克森悖论」（Berkson’s paradox）的一个实例。

更隐蔽的变体出现在元分析和文献综述里。假设X=研究方法质量，Y=效应量大小，C=是否被发表。审稿人偏好显著结果，所以C同时受X和Y影响（好方法更易发表，大效应更易发表）。如果一篇元分析只纳入已发表文献（即条件在C=1上），就会在X和Y之间制造出虚假的负相关——方法越严谨，效应量反而越小。这正是很多领域「方法越好结果越糟」悖论的一个结构性解释。

这个陷阱在「控制变量越多越干净」的直觉下格外危险。每加一个控制变量，你都在问自己一个问题：这个变量是混杂因子、中介变量、还是对撞因子？如果是后者，你不仅没有消除偏差，反而制造了偏差。

值得辩论的问题：在观测性研究中，「控制所有可测变量」作为一种默认策略，是否比「只控制DAG上明确的混杂因子」更容易导致对撞偏差？换句话说，因果推断的严谨性，是否应该从「控制得越多越好」转向「控制得越少越好、但每个控制都经过论证」？