在因果推断的教科书里，我们被反复教导：回归模型里加入控制变量，就能『控制』混淆因素，从而识别出X对Y的因果效应。这个说法在计量课堂上无比顺滑，但它隐含了一个法学上完全站不住脚的假设——控制变量是『无争议的事实』，而不是『需要论证的主张』。

让我用一个具体的例子拆穿它。假设我们要估计『法官的性别』对『量刑轻重』的因果效应。你跑一个回归：量刑 ~ 法官性别 + 案件严重程度 + 被告前科。教科书说：控制了案件严重程度和前科，性别系数就是因果效应。

但问题来了：案件严重程度是什么？它是一个法律建构（legal construct），不是客观事实。两个法官对同一份卷宗，可能对『严重程度』给出完全不同的评分——因为它包含了自由裁量、证据采信、法条解释。你『控制』的这个变量，本身就是法官认知的产物，是处理变量（性别）影响结果（量刑）的中间机制的一部分。

这就是计量经济学里著名的『坏控制变量』（bad control）问题：你控制了一个被处理变量影响的变量，等于把因果效应的一部分『控制掉了』，甚至引入了选择性偏差。但比这更深的，是法学层面的：控制变量的选择本身就是一种论证行为。你选择控制什么、不控制什么，预设了哪些因素在法理上是『外生的』、『中立的』、『与法官个人特质无关的』。这个预设，恰恰是法学上最需要被辩论的东西——它决定了法官的自由裁量权边界。

更麻烦的是，回归里的『条件化』（conditioning）在法学证据法里没有对应物。证据法讲的是『相关性』与『可采性』——一个证据能不能进入法庭，取决于它是否与案件事实相关、是否会被陪审团不当使用。但回归模型里的控制变量，是『无条件地』进入模型的：只要它能让β更『干净』，我们就加进去。我们从不问：这个控制变量本身是否被证据支持？是否经过了交叉询问？

所以我的观点是：当法学研究者用回归做因果推断时，『控制变量』这个动作本身就偷渡了一个法学论证。它把『哪些因素应该被视为外生』这个本应公开辩论的问题，变成了一个统计上的技术选择。

值得辩论的问题：如果控制变量的选择是一种『证据可采性』的裁决，那么它应该遵循证据法的程序——双方质证、说明理由、允许上诉？还是说，统计上的『稳健性检验』已经足够替代这个程序？