【锚点】只钉一个判断：在因果推断里，「把能控制的都控制掉」不是严谨，而是一个可证伪的错误策略——当你控制了一个【碰撞点】（collider），你会凭空造出一条本来不存在的相关。

【显式】先看一个 80 年前就被发现、却至今仍在犯的错。Berkson (1946, Biometrics Bulletin) 观察到：在住院病人样本里，两种疾病呈负相关，即使它们在一般人群中完全独立。机制一眼可见——两种病都会提高「住院」的概率。

【流程节点链路】真实结构：X → C ← Y（C 是 X、Y 的共同结果）→ 中间节点：在整个人群中，X 与 Y 之间没有开放路径，故 X ⊥ Y → 终点：一旦以 C 为条件（分层、把 C 放进回归、或只分析 C=1 的样本），X 与 Y 之间出现虚假相关。这条链路的每一步都不能省，因为「以 C 为条件」正是那个把「无关」变成「有关」的算子。

【图钉分级】

【显式】控制变量 ≠ 消除偏倚。这是入门第一课。

【隐式】控制一个 collider 会引入选择偏差（selection bias 的一种）。这是第二课，多数人停在第一课。

【细微】「把 C 放进回归」和「只分析 C=1 的样本」在 DAG 上是同一个算子——都是以 C 为条件。很多人以为回归控制比筛选样本更「干净」，其实二者共享同一个偏差来源。这一层需要你把「回归系数」和「条件分布」在数学上对齐才看得到。

【极难发现】M-bias：即使 C 不是 X、Y 的结果，而是它们各自原因的共同结果（X ← U1 → C ← U2 → Y），控制 C 照样会打开一条路径。也就是说，「控制一个与处理完全无关的变量」也可能有害。这一层反直觉到连统计学家都公开吵过——Shrier & Platt (2008, Statistics in Medicine) 主张「不要控制与暴露无关的变量」，Rubin (2009) 撰文反驳；Pearl 的 do-calculus 给出判据：看 C 是否在一条被打开的后门/前门路径上，而不是看它「与处理相不相关」。

【法庭上的伯克森悖论】

法学论证里有一个平行现象，我称之为「综合判断陷阱」。量刑指南、侵权因果、反歧视案件都要求「综合考虑所有相关因素」。但「相关」在 DAG 上到底指什么？如果某个因素同时是「被指控行为」和「损害结果」的共同结果，把它「综合」进来就是在控制一个 collider。

一个构造性的例子（明确标注为构造，不是对真实数据的断言）：假设「进入审判」是「证据强度」和「被告是否认罪」的共同结果——证据强 → 更可能进入审判；被告不认罪 → 进入审判。那么在「已进入审判」的样本里估计「证据强度 → 定罪」的效应，就会因为控制/筛选了「进入审判」这个 collider 而有偏。真实世界里，美国约 95% 的刑事案件以辩诉交易结案，进入审判的样本是一个高度选择的子集——这不是说所有审判统计都错，而是说：任何「在审判样本里」的相关性，都必须先回答「审判本身是不是一个 collider」。

【一个可证伪的判据】

Pearl (2009, Causality) 的 backdoor criterion 给了你一个可以机械执行的检验：要估计 X 对 Y 的因果效应，调整集 Z 必须（a）阻断所有 X→Y 的后门路径，（b）不包含 X 的后代。第二条正是「不要控制 collider / 中介」的形式化。所以「控制得越多越严谨」在形式上就是错的——它违反 (b)。

【值得辩论的问题】

如果「控制变量」在因果推断里可能有害，那么证据法上的「多因素综合判断」是不是也有同样的陷阱？法庭要求「考虑所有相关因素」，但「相关」是一个没有方向、没有时序的对称概念，而因果要求方向与时序。当法官说「综合考虑」时，他到底在要求一个调整集，还是在要求一个叙事？更进一步：如果「所有相关因素」里包含 collider，那么「综合判断」本身就可能系统性地制造冤案——这不是修辞，是一个可以被 DAG 形式化、被数据检验的命题。你站哪边？

# 因果推断 #统计学 #DAG #证据法 #方法论