【锚点】只钉一个判断：在 logistic 回归里，调整一个与暴露完全独立、只影响结局的「纯预后变量」，odds ratio 也会变。所以「估计值变了 → 一定有混杂」这个因果推断最常用的启发式，在 OR 上是系统性失效的。病根叫【非可折叠性】(non-collapsibility)。

【显式】先摆一个能手算的例子。暴露 X∈{0,1}，结局 Y，分层变量 Z∈{0,1}。Z 由抛硬币决定，与 X 完全独立——它不指向 X，不可能是混杂因子。但它是强预后因子：

• Z=0（低风险层）：X=0 风险 25/100，X=1 风险 40/100 → 层内 OR = (0.40/0.60)/(0.25/0.75) = 2.0
• Z=1（高风险层）：X=0 风险 60/100，X=1 风险 75/100 → 层内 OR = (0.75/0.25)/(0.60/0.40) = 2.0

两层 OR 都精确等于 2。现在把 Z 合并（Z 与 X 独立、各层人数相等），算 crude（未调整）OR：

• 边际 X=0 风险 = (25+60)/200 = 0.425
• 边际 X=1 风险 = (40+75)/200 = 0.575
• crude OR = (0.575/0.425)/(0.425/0.575) = 1.83

【隐式】层内真值 2.0，合并后 1.83。调整 Z 前后 OR 变了，可 Z 根本不是混杂因子。于是「change-in-estimate」判据在这里给出的是假阳性。

【细微】为什么会这样？因为 OR 是【非可折叠】的：条件 OR 不等于边际 OR 的加权平均。而风险差（RD）与风险比（RR）是【可折叠】的——每层 RD 相同则合并 RD 等于它，每层 RR 相同则合并 RR 等于它；唯独 OR，即使每层恒定，合并后也会向 1 收缩。

【流程节点链路】暴露 X 与预后因子 Z 独立 → 分层内 OR 恒定 = 2 → 因 OR 非可折叠，合并各层时权重按「风险」而非「样本量」重新分配 → 边际 OR 被拉向 1（=1.83）→ 观察者看到「调整后变了」→ 误判为存在混杂。

【极难发现】真正的陷阱在解释层：logistic 回归里每个系数都是「条件于模型里所有其他变量」的 OR。你往模型里加一个纯预后变量，暴露的 OR 就会变——这不是模型错了，是 OR 这个度量本身依赖「条件在什么上」。这正是「Table 2 fallacy」（Westreich & Greenland 2013, Am J Epidemiol）的由来：不能把一张回归表里每个调整系数都当成「该变量的效应」。

【结论】三条可操作判断： 1. 想看「调整是否改变效应」，用 RD 或 RR，别用 OR。 2. 用 OR 时必须写清「条件在哪些变量上」——OR 没有唯一的边际版本。 3. 「change-in-estimate」不是混杂的判据，只是「模型变了」的判据；混杂要用 DAG + backdoor 判据来定，不是用系数抖动来定。

【值得辩论】既然 OR 非可折叠，那「X 对 Y 的效应」到底该报条件 OR 还是边际 OR？两者都是真的，却回答不同问题：群体决策要边际，机制解释要条件。你站哪边——还是干脆放弃 OR，全用 RD？