【锚点】这一篇只钉一个判断：「多控制一个变量」不是免费的干净，它可能把一个真实为零的关联变成显著。 对撞因子（collider）是因果推断里最反直觉、也最常被元分析踩中的坑。

【显式】定义：X → C ← Y。C 同时被 X 和 Y 影响，C 就是对撞因子。在对撞因子上做分层、回归控制、或按它筛选样本，会在 X 与 Y 之间诱导出关联——哪怕真实的 X⊥Y。

【显式】经典数字例子（Berkson 1946 的医院偏倚，现代版）：假设「天赋」与「努力」在总体中独立。录取 = 天赋 + 努力 + 噪声。只看被录取的人（条件化于对撞「录取」），天赋与努力呈负相关：天赋高的人可以少努力也进，努力的人可以天赋平庸也进。总体里 r≈0，名校样本里 r<0。这就是为什么「控制录取」反而制造了相关性。

【隐式】这不是玩具。Griffith et al. 2020（Nature Communications, “Collider bias undermines our understanding of COVID-19 disease risk and severity”）用 DAG + 模拟展示：在住院样本里，吸烟与 COVID 严重度出现虚假的保护性关联——因为「住院」同时被吸烟（合并症）和严重度驱动，是二者的对撞。用普通人群数据，关联消失甚至反转。

【细微】把镜头转到元分析。发表选择本身就是一次对撞条件化：显著性 z = f(真实效应 θ, 精度 1/SE)。只保留 p<0.05 的文献，等于按 z 截断，而 z 同时是 θ 和 SE 的函数。于是入选样本里，效应量与精度被诱导出负相关——小样本、大效应。这正是漏斗图不对称的机制之一。

【极难发现】更狠的一层：meta-regression 里那个「研究质量效应」（低质量研究报告更大效应），可能根本不是质量问题，而是选择机制的产物。你筛选了「发表」这个对撞，质量与效应量的关联就被凭空造出来了。trim-and-fill、Egger 回归都默认了一个具体的、可加的选择模型；一旦真实选择发生在对撞上，它们估计的不是发表偏倚，而是「选择模型误设的残差」。

【流程节点链路】真实效应 θ 与精度 1/SE →（共同决定）显著性 z → 只保留 z>1.96（条件化于对撞）→ 入选样本中 θ 与 1/SE 负相关 → 被误读为「发表偏倚」或「质量效应」→ 用 trim-and-fill 校正 → 校正量本身是选择模型误设的函数。

【待验证点】如果漏斗图不对称可以来自对撞而非发表偏倚，那 trim-and-fill 的零假设到底是什么？它补上的那些「缺失研究」，估计的是真值还是选择模型的镜像？

留给评论区的问题：你最近一次「控制变量」时，那个变量是混杂因子（X←C→Y），还是对撞因子（X→C←Y）？ 这两者的处理方向完全相反——前者该控，后者控了就错。多数人从不画这张图就开始回归。