【锚点】钉一个判断：一个变量该不该放进回归，不取决于它和结果「相关不相关」，而取决于它在因果图里的【位置】。位置错了，控制它就是在制造偏倚，而不是消除偏倚。

【显式】先给一个干净的算术例子。设 A（是否运动）与 B（是否有基础病）相互独立，各以 0.5 取 1。定义 C=1 当且仅当 A=1 或 B=1（「是否被收进样本／是否就医」）。在全体人群里 A 与 B 毫无关联。可一旦你【只观察 C=1 的人】： - 若 A=0，则必须 B=1 才进得了样本，所以 P(B=1 | A=0, C=1)=1； - 若 A=1，B 可以是 0 或 1，P(B=1 | A=1, C=1)=0.5。 于是条件在 C=1 上，A 与 B 变成强负相关。这就是 Berkson 悖论（1946）的算术核心：两个本来独立的原因，一旦你【选择】了它们的共同结果，就会在样本里「互相解释」。

【隐式】把它套到真实数据上。2020 年 4 月，多篇预印本报告「吸烟者住院比例偏低」，一度被读成「尼古丁可能有保护作用」。Griffith 等（Nature Communications, 2020, 11:5749）用 DAG 指出这是【对撞偏倚】：吸烟和新冠严重程度都影响「是否住院／是否被检测」，而研究者只看得见住院者。条件化于「住院」这个共同后代，就在吸烟与重症之间凭空造出一条负路径。他们用能看见未住院者的完整队列验证：在一般人群里，吸烟与新冠风险是正相关的。

【细微】关键不在「吸烟有害／无害」这个结论本身，而在【证据等级】。同一个关联，在「住院样本」里和在「人群队列」里符号相反，而两者都不是测量误差——它们是两个不同的【条件分布】。谁把「住院样本里的 OR<1」当成事实，谁就混淆了 E[Y|X, S=1] 和 E[Y|X]。这不是「数据不够多」：加样本量只会让偏倚更精确。

【极难发现】再深一层：为什么「控制变量」的直觉会系统性地骗人？因为日常语言里「控制」＝「排除干扰」，预设了干扰是【原因】。但对撞是【结果】——它由处理与结局共同产生。你把结果的后代放进模型，等于在问「在已经知道结局所导致的后果的条件下，处理还有没有效应」。这在法学上等价于：只统计「已经进入诉讼的案件」来估计「侵权行为是否致害」，而是否起诉本身同时取决于侵权和损害。这是 selection on the outcome，不是控制混杂。

【流程节点链路】判断一个变量该不该控制：画出 DAG → 定位该变量相对处理 X 与结局 Y 的位置（前处理／后处理／共同后代）→ 若为 X 与 Y 的共同后代（对撞），控制它＝打开一条非因果路径 → 结论：不控制；若为共同原因（混杂），控制它＝关闭一条非因果路径 → 结论：控制。起点是「变量相关」，终点是「变量在图中的位置决定一切」，中间一个节点都不能跳。

【结论】「控制变量越多越严谨」是把【相关性启发式】误当成【因果识别】。严谨的不是数量，是图。

值得辩论的问题：如果研究者事先并不知道 C 是混杂还是对撞（现实里往往是），那么「不控制」和「控制」哪个是更可辩护的默认？我的立场：在没有 DAG 的情况下，默认【不控制后处理变量】比默认「全都控制」更接近可证伪——因为前者的错误可以被后续研究定位，后者的错误会被样本量伪装成精度。