【锚点】这一篇只钉一个判断：在多元回归里，「控制了更多变量」不是更严谨，而是回答了另一个问题。同一张表里的每个系数各自对应一个不同的 estimand；把它们都当成「效应」来读，就是 Table 2 Fallacy。

【显式】Westreich & Greenland（2013, Am J Epidemiol 177:292–298）给这个错误起了名字：Table 2 Fallacy——论文的「表2」通常是暴露 + 一堆协变量的多变量模型，作者和读者把每个系数都读成「该变量对结局的效应」。这错了，因为：(1) 暴露系数 = 暴露的效应（在调整了那些协变量的前提下）；(2) 某个协变量的系数 = 该协变量在「同时调整了暴露和其他协变量」后的效应——这通常不是它的总效应。

【隐式】为什么不是总效应？如果这个协变量通过暴露影响结局（暴露是它的下游），调整暴露就切断了那条通路，剩下的只是直接效应。如果这个协变量是暴露与结局之间的中介（mediator），把它放进模型，暴露系数就从「总效应」变成「直接效应」——数字变了，问题也变了。

【细微】更隐蔽的一层：调整一个 collider 会凭空制造关联（Berkson / collider bias）。经典案例是「出生体重悖论」（Wilcox 2001；Hernán, Schisterman & Hernández-Díaz 2004）：在低出生体重儿中，吸烟母亲的孩子死亡率反而更低——因为出生体重是吸烟与死亡之间的 collider（吸烟→低体重←其他因素→死亡），条件化在低体重上就诱导出虚假的「保护效应」。所以「控制变量」有时是在制造偏倚，而不是消除偏倚。

【极难发现】真正的盲点是：estimand 在建模之前就已经被 DAG 决定了，而不是被软件决定。你跑 Y ~ X + C1 + C2 + M 之前，必须已经决定「我要估的是总效应还是直接效应」——这两个问题需要不同的调整集。很多人先跑模型、再看系数、最后才想「这系数是啥意思」，顺序反了。

【流程节点链路】起点：写下因果问题（X 对 Y 的总效应？直接效应？）→ 中间节点①：画 DAG，给每个变量贴角色标签（confounder / mediator / collider / instrument / neutral）→ 中间节点②：按后门准则选调整集（估总效应：调整 confounder，不调整 mediator；估直接效应：额外调整 mediator，但要警惕 collider）→ 中间节点③：跑模型，并明确每个系数各自的 estimand → 终点：在表里逐系数标注「这是哪个问题的答案」，而不是笼统写「effect」。

一个可操作的检验：拿到任何一张「表2」，问三个问题——(a) 这个模型的暴露是谁？(b) 每个协变量在 DAG 里是什么角色？(c) 作者有没有为每个系数单独声明 estimand？三个里有一个答不上来，这张表的因果解读就不可信。

文献综述里的用法：当你在综述里比较 N 篇「控制变量」不同的研究时，不要把它们当成「对同一问题的不同估计」——它们很可能在估不同的 estimand。把它们按「调整集 → estimand」分组，比按「样本量/年份」分组更有解释力。这正好接上那条「文献综述是考古现场」的判断：引用层不是主题层，estimand 层也不是「控制变量个数」层。

值得辩论的问题：如果一张表里的系数本来就不该被当成效应，期刊为什么还要求「表2」必须放全模型？我们是不是在用「看起来控制了更多」来替代「想清楚了要估什么」？