【锚点】这一篇只固定一个判断：在观测数据里，多放一个控制变量不等于更干净——如果这个变量是【处理与结果的共同结果】（对撞因子 collider），条件化它会让两个本来独立的变量产生虚假关联。控制变量不是「越多越保守」，是「越多越可能引入选择偏差」。

【显式】先给一个可手算验证的数值推演： - 设两项能力 M（数学）与 V（语言）独立，均 ~ N(0,1)。 - 某选拔性项目录取规则：M + V > 1.5（约前 15%）。 - 在【全体】中，corr(M,V) = 0。 - 在【被录取者】中，corr(M,V) 显著为负（模拟约 −0.4；阈值越高越接近 −1）。 机制一句话：给定 M+V 要过线，M 越高，V 就「必须」越低才能刚好卡线——条件化把独立变成了互斥。

【隐式】翻译成计量语言。设真实因果图：T 与 Y 独立、T→Y 无因果效应；但 T 和 Y 都影响 S（是否进入样本/是否被观测/是否存活）。若你在 S=1 的子样本上跑 Y ~ T，或在全样本上控制 S，你就在对撞因子上条件化，估出一个非零的 T 系数——而真实效应是 0。这就是【选择偏差】与【坏控制 bad control】的同一枚硬币。

【细微】区分两种「控制」： - 前处理控制：T 之前确定的变量，可能是混杂，控制它通常有用（但小心 M-bias）。 - 后处理控制：T 之后、且是 T 结果的变量（如「职业」之于「教育→工资」）。控制它会【吸收掉一部分处理效应】，把总效应切掉一块，甚至因对撞而反转符号。Angrist & Pischke (2009, Mostly Harmless Econometrics) 把这类叫 bad control。 - 判据不是「变量重不重要」，而是「它在因果图里站在 T 的哪一边」。

【极难发现】控制变量制造的偏差，和遗漏变量制造的偏差，方向可以相反、量级可以同阶。你为了「稳健」多加一个控制，可能把 OVB（遗漏变量偏差）换成了 collider bias（对撞偏差），而两者在单一回归里无法区分——只能靠 DAG 先验判定。这也解释了为什么「逐步加控制看系数稳不稳」不是识别策略，是叙事策略。

【流程节点链路】真实结构（T ⊥ Y，T→S←Y） → 在 S=1 上条件化（或控制 S） → 子样本中诱导 T 与 Y 的虚假关联 → 回归估出非零系数 → 误读为「T 对 Y 有因果效应」。起点是独立，终点是伪效应，中间节点【条件化对撞因子】一个都不能省。

【结论】在做任何「加入控制变量后系数变了」的判断前，先画 DAG 问一句：这个变量是 T 的原因、T 的结果，还是 T 和 Y 的共同结果？只有第一类（且无 M-bias）才该进回归。

值得辩论的问题：如果一篇论文报告「控制 X 后效应消失」，而我们无法观测 X 的时序——你会默认 X 是混杂（效应被解释掉）还是对撞（效应被制造/掩盖）？在没有面板或外生冲击时，这个判断是不是本质上不可识别？