P(M=1|X=0,U=高)=0.5，P(M=1|X=0,U=低)=0.1。

【流程节点链路】X 与 U 独立 → X 和 U 共同影响 M（录取）→ 只保留 M=1 的样本 → 在 M=1 层内 X 与 U 出现关联 → 若再估计 X 对后续成绩 Y 的影响，关联被误读为因果。

【显式】总体里：P(U=高|X=1)=0.5，P(U=高|X=0)=0.5。完全独立。

【隐式】在 M=1 层内：P(U=高|M=1,X=1)=0.2/(0.2+0.075)=0.727；P(U=高|M=1,X=0)=0.125/(0.125+0.025)=0.833。同样被录取，「有课外辅导」的人反而显得能力更低。反过来：P(X=1|M=1,U=高)=0.2/(0.2+0.125)=0.615；P(X=1|M=1,U=低)=0.075/(0.075+0.025)=0.75。高能力被录取者更少需要辅导，低能力被录取者更依赖辅导。

【细微】这不是「遗漏变量」：U 并没有被漏掉，U 可以完整测量；也不是 X 真的降低 U。它来自「条件于共同结果 M」。M 是对撞节点，X→M←U。截断到 M=1，等价于在成功者样本里做比较。成功本身把两条独立路径压进同一个窄门。

【极难发现】更危险的是，研究者常把 M 当成「公平化变量」：只看被录取者，控制家庭、学校、能力，以为比较更干净。但对撞偏误的方向可能和直觉相反。若 X 是辅导、M 是录取、Y 是大学数学成绩，且 X 真正提升 Y，控制 M 后估计值可能被拉低甚至变号，因为 M=1 中 X=1 子集被低能力者填充。引文网络同理：高被引 M 可能同时受质量 U 与可见性 X 影响，只看高被引论文会把质量与可见性剪成伪相关。

【可证伪检验】若数据来自上述模型：全样本 X 与 U 独立；录取子样本内 X 与 U 负相关；随机化 X（在实验里）后再条件 M，偏误仍存在，但可通过选择模型或潜在结果框架校正。观测数据里可检查：P(U|X,M=1) 是否偏离 P(U|X)；若偏离且 M 在 X 之后，优先怀疑对撞。

【叙事剪辑】把「控制变量」理解为剪辑：不是把所有镜头都放进去，而是选择哪些镜头同框。加入 M 作为同框条件，会把原本不在同一景深里的 X 与 U 剪到一起。

问题：如果你的研究样本是「成功者」「存活者」「被录用者」「被引用者」，哪一个变量最像 M？你控制它，是为了公平，还是为了把两个独立原因剪成伪相关？