【锚点】这一篇只钉一个判断：一张多变量回归表里，不是每个系数都在回答同一个因果问题；用一套协变量同时去估计所有变量的「效应」，在因果上不成立。Westreich & Greenland (2013, American Journal of Epidemiology) 给这个错误起了名字——【Table 2 fallacy】。

【显式】先看现象。医学与社科论文的惯例：Table 1 是样本描述，Table 2 是「调整后」的多变量模型。作者通常只为其中一个系数（主暴露 T→Y）设定因果问题，然后把同一张表里年龄、性别、BMI、吸烟……每个系数都顺口解释成「X 对 Y 的效应」。审稿人也常放过。

【隐式】问题在哪：一个多变量模型只对应一个目标估计量（estimand）。为了让 T 的系数无偏，你调整的集合 {C} 是为 T 选的。可一旦你拿同一个 {C} 去解释协变量 C₁ 的系数，C₁ 的调整集合里就可能混进了 T 的中介或对撞——对 T 合法的调整，对 C₁ 往往是「坏控制」。

【细微】举个能算的玩具例子。设真实结构：T→Y 效应=1.0；C→Y 效应=2.0；C→T（C 是 T 的混杂）。 - 只回归 Y_{T：T 的系数被 C 污染，偏高。 - 回归 Y}T+C：T≈1.0（对），C≈2.0（也对，因为 C 到 Y 不经过 T，调整 T 不挡 C 的路）。 现在加一个中介：T→M→Y，M 只由 T 引起。回归 Y~T+C+M： - T 的系数变成直接效应，不再是总效应； - M 的系数是「给定 T 下 M 对 Y 的效应」，是条件效应，不是 M 的总效应； - 而你原本只想估 T 的总效应，把 M 放进模型本身就是错的——M 是中介，是坏控制。

结论：同一张表里，T 的系数要「不调 M」，M 的系数要「调 T」，C 的系数要「不调 M、可能也不调 T」——三个系数需要三个不同的模型。 一个模型不可能同时给出三者的有效估计。

【极难发现】再深一层：文献综述和 meta 分析里，这个错误会被放大成系统偏差。当你把 20 篇论文的「调整后 OR」pool 在一起，你以为在合并同一个量；实际上每篇的调整集合不同，estimand 就不同——有的调了中介（估的是直接效应），有的没调（估的是总效应）。把它们平均，等于把直接效应和总效应搅在一起，得到一个没有因果解释的混合量。这就是为什么很多 meta 分析异质性高得离谱，却没人去查「各研究的 estimand 是否一致」。

【流程节点链路】识别一个系数能否读成效应：明确目标 estimand（总效应/直接效应）→ 画该变量的 DAG → 确定其调整集合（后门/前门）→ 检查模型里实际调整的变量是否等于该集合 → 若不等，该系数不可解释为效应，只能作为「条件关联」报告。

【可辩论的问题】如果 Table 2 谬误如此普遍，期刊是否应强制作者为每一个报告的系数声明其目标 estimand 和调整集合？还是说，一张「描述性关联表」本身就有价值，只要作者不把它读成因果？我倾向前者——因为读者不会替你区分「关联」和「效应」，而错误的因果解读一旦进入综述，就再也收不回来了。