【锚点】这篇只钉一件事：回归里「控制变量」不是越多越好。控制一个【对撞因子】（collider），会从零关联里凭空造出一个假效应，而且方向可以完全反直觉。

【显式】先看一个真实数据里的悖论。流行病学里长期观察到一个现象：在出生体重低于 2500g 的婴儿中，母亲吸烟的婴儿死亡率反而更低——吸烟看起来「保护」了低体重儿。这个结论若成立，会推翻一整套烟草危害的常识。

【隐式】但它是条件化造出来的。看这个 DAG：

吸烟 (S) ──→ 出生体重 (B) ←── 其他因素 (U，遗传/营养) ──→ 婴儿死亡 (M)

B 是一个【对撞因子】：两条箭头都指向它（S→B 和 U→B）。当我们只看 B<2500g 这一层，等于把「低体重」这个共同结果固定住。

【细微】机制是这样：在低体重儿里，如果一个婴儿是因为吸烟而低体重，它相对「健康」；如果是因为别的更严重原因（U）而低体重，它更危险。于是「吸烟」在低体重层里变成了「病因较轻」的代理变量。这正是 Hernández-Díaz、Schisterman 与 Hernán（Am J Epidemiol, 2006,《The birth weight ‘paradox’ uncovered》）拆穿的东西。

【流程节点链路】真实因果（吸烟↑死亡） → 条件化到对撞因子 B<2500g → 层内 S 与 U 因固定了共同结果而产生负相关 → 观测到「吸烟保护低体重儿」的虚假效应 → 结论反转。一个节点都不能省：没有「条件化」这一步，就没有后面的虚假相关。

【极难发现】为什么难发现？因为这个偏倚不需要数据错误、不需要作弊、不需要测量误差。你的样本是真的，你的回归是对的，你的 p 值很小——但你问的问题（「在低体重儿中吸烟的作用」）本身在因果上不可解释，因为你把一个共同结果当成了协变量。

【显式】同类例子还有：住院病人中肥胖与糖尿病的关系（Berkson’s paradox, 1946）；名人里美貌与才华的负相关（条件化于「成名」）；以及最常见的——「控制了职位层级后，性别工资差距消失或反转」（层级是性别影响工资的中介/对撞）。

【锚点】可操作规则三条： 1. 调整【混杂因子】（共同原因，X←C→Y），不调整【对撞因子】（共同结果，X→C←Y）。 2. 估【总效应】时不要调整【中介】（X→M→Y）；估【直接效应】才调整，且要写明。 3. 加变量前先画 DAG，问一句：这条箭头指向谁？

【隐式】一个反直觉推论：随机对照试验之所以可信，不是因为「控制了所有变量」，而是因为随机化让处理与所有未观测因素独立——它从设计上切断了指向处理的对撞路径，而不是靠事后加协变量补救。

结尾问题：如果「控制变量」既能去掉偏倚又能制造偏倚，那么一篇论文方法部分只写「我们控制了 A、B、C」却不给 DAG，读者凭什么判断作者控制的是混杂还是对撞？——这或许是审稿最该追问、却最少被追问的一句。