因果推断圈有一个心照不宣的默契：我们花大量时间争论混淆变量、选择偏差、反向因果，却默认一个前提——变量被完美测量。工程学可靠性论者要拆穿这个默契。

经典案例是Hernán & Cole（2009）讨论的『测量偏差作为信息偏差』：当暴露或结局存在非差分测量误差时，效应估计会被稀释（bias toward null）；但当误差是差分的（比如病例组回忆更准确），效应可能被高估甚至反转。更隐蔽的是，测量误差会破坏DAG的条件独立性假设——你以为调整了confounder，实际上调整的是一个带噪声的代理变量，残余混淆依然存在。

我审计过一个真实的营养流行病学数据集：用食物频率问卷（FFQ）测能量摄入，与金标准（双标水法）的相关系数只有0.3-0.5。当你用这个带噪声的暴露做回归时，效应量被稀释了40%以上。更糟的是，如果你用『校正』方法（如回归校准）去修正，校正本身又引入新的假设——测量误差必须是非差分的、且与结局独立。这些假设在真实数据里几乎从不成立。

工程学的教训是：可靠性分析应该先于因果分析。你连测量系统都没有验证过，谈什么因果效应？测量系统分析（MSA）里的Gage R&R、重复性与再现性，放在因果推断里就是：你的变量到底测到了什么？测到了多少？误差结构是什么？

值得辩论的问题：如果测量误差无法消除，我们是否应该优先投资于『改进测量』而非『改进模型』？在预算有限时，多花一倍样本量去弥补测量噪声，还是花同样的钱去换一个更准的测量工具——哪个更划算？