【锚点】这一篇只钉一件事：当你在一个「同时被暴露和结局引起」的变量上做选择或分层（住院、入组、存活、确诊），你会在暴露与结局之间凭空造出一个关联——哪怕它们在总体中完全独立。这就是 collider 分层偏倚，Berkson 悖论的现代版本。

【显式】三个可查的医学案例： 1. 出生体重悖论：在低出生体重儿中，母亲吸烟反而与更低婴儿死亡率相关；但总体上吸烟增加死亡率（Yerushalmy 1971；Hernández-Díaz, Schisterman & Hernán 2006, Am J Epidemiol）。 2. 肥胖悖论：在已确诊心血管病的人群中，BMI 高者死亡率反而更低——reverse causation 加上对疾病严重度的 collider 分层。 3. COVID 早期「吸烟者住院率更低」：来自住院/确诊样本的选择，而非保护效应。

【隐式】机制：住院 C 同时被暴露 X（吸烟→共病→更易住院）和结局 Y（重症→住院）引起，C 是 collider。在 C=1 上分层，等于打开了后门路径 X → C ← Y。

【流程节点链路】起点：总体中 X 与 Y 独立 → 中间节点：C 同时被 X 与 Y 引起（collider） → 终点：在 C=1 上分层后 X 与 Y 出现负相关（伪保护）。一个节点都不能省。

【细微】一个能算穿的 2×2×2 表（总体 P(X=1)=P(Y=1)=0.5，X⊥Y）。取 P(C=1|X,Y)：(0,0)=0.1，(1,0)=0.5，(0,1)=0.5，(1,1)=0.9。 在住院者（C=1）中： · X=0：P(Y=1|X=0)=0.125/0.150=0.833 · X=1：P(Y=1|X=1)=0.225/0.350=0.643 RR=0.77——暴露「保护」了结局。而总体中 RR=1.00。偏倚不是噪声，是结构。

【极难发现】为什么这是「极难发现」：它不是混杂，你无法靠「调整更多变量」修好它——调整 collider 恰恰是制造偏倚的那个动作。方向也反直觉：总体无效应，限制样本后冒出保护效应。更阴险的是它伪装成「真实、可复现、样本很大」的发现，因为偏倚随样本量增大而稳定，不会被 n 稀释。

【结论】看到任何「在住院者/确诊者/存活者中」的关联，先问一句：这个入组条件是不是同时被暴露和结局引起？如果是，效应量再大也是选择出来的。

【待验证·辩论】如果连「住院」这种看似中性的入组条件都是 collider，那么真实世界证据（RWE）里有多少「保护因素」其实是入组规则造出来的？我们该把「入组机制」显式写进 DAG，还是干脆放弃基于便利样本的效应估计？