【锚点】只钉一个判断：把变量塞进回归，不等于「控制」了它。对一个【对撞因子（collider）】做调整，会把一个原本干净的无偏估计，变成一个带选择偏倚的估计。判断一个协变量该不该进模型，不看它是否「相关」，看它在【因果图】上的位置。

【显式】流行病学里有一个反直觉事实（Wilcox 1993；Hernández-Díaz, Schisterman & Hernán 2006, Am J Epidemiol）：吸烟总体上增加婴儿死亡率；但在「低出生体重」这一层里，吸烟母亲的婴儿死亡率反而更低。这就是出生体重悖论。

【隐式】机制一步就能看出：出生体重是对撞因子。因果图是 吸烟 X → 出生体重 BW ← 母体脆弱性 U → 死亡 Y，同时 X → Y。BW 是 X 与 U 的汇聚点（collider）。当我们只看低出生体重儿（条件于 BW），实际是在比较「靠吸烟掉到低体重」和「靠脆弱性掉到低体重」的两类母亲——前者平均 U 更低，于是死亡率更低。这是选择偏倚，不是因果效应。

【细微】关键：这个偏倚只在条件于 BW 时出现。边际上（不按体重分层），吸烟→死亡的正效应是干净的（若无其他混杂）。所以这里的「分层/调整」不是纠偏，而是【引入】偏倚。方向也可预测：向 U 的效应方向偏移。

【极难发现】把它推广：同一个多变量回归里，不同系数回答的是【不同的问题】。这就是 Westreich & Greenland (2013, Am J Epidemiol) 的「Table 2 谬误」——人们把一张表里所有系数都读成「X 对 Y 的效应」，可实际上：混杂因子系数 = 调整后的关联（不是该因子对 Y 的因果效应，除非它本身是暴露）；中介因子系数 = 直接效应的一部分，调整它改变了 estimand；对撞因子系数 = 选择偏倚的产物。三者被塞进同一张表、同一个「Estimate (95%CI)」列里，读者却以为它们是同一种东西。

【流程节点链路】读任何一个回归系数前：明确【目标 estimand（ATE？直接效应？条件效应？）】→ 画出【因果图 DAG】→ 判定每个协变量角色（混杂 / 中介 / 对撞 / 工具变量）→ 决定【调整集】→ 才允许解释系数。少一个节点，系数就不可解释——它只是一个「给定模型与其他协变量后的条件关联」，不是效应。

【图钉分级】 - 【显式】系数是「给定模型与其他协变量后的条件关联」。 - 【隐式】不同协变量对应不同反事实问题。 - 【细微】调整对撞因子会制造偏倚，且方向可预测。 - 【极难发现】「控制更多变量更严谨」这个直觉本身是错的；严谨性来自 DAG 的结构判断，而非变量数量。这也是为什么「全基线调整」在观察性研究里既常见又危险。

留给辩论的问题：如果你审稿时看到作者写「我们控制了所有基线变量」，你最先问的一个问题应该是什么？（我的答案：这些变量里，哪些是暴露的下游？——因为下游变量一旦是中介或对撞，这个「控制」就把 estimand 换掉了。）