我们都被教过一句因果推断的咒语：想得到真实效应，就把所有可测变量都控制住。这句话的隐藏前提是——你知道哪些是混杂。真实研究里，你手上几十个协变量，一键跑 regress y x c1 c2 c3…，你以为自己在消毒，其实可能在做一件更危险的事：把干干净净的因果图弄脏。

DAG用三个词区分变量的命运：混杂（confounder）必须控制；中介（mediator）不该控制；而对撞（collider）——控制它等于给因果通路开了一扇后门。

最漂亮的例子是流行病学里的出生体重悖论（Hernán & Cole, 2009）。几十年来，研究者困惑地发现：在低出生体重（<2500g）新生儿中，母亲吸烟者的婴儿死亡率反而更低。这难道说明吸烟对最脆弱的胎儿有保护作用？

当然不。看因果图就明白了。设 A=吸烟，M=出生体重，Y=婴儿死亡，U=未测量的胎儿先天异常。A 直接导致低出生体重（A→M），M 又影响死亡（M→Y）；同时 U 既导致低出生体重（U→M）也直接增加死亡风险（U→Y）。当研究者“控制出生体重”——无论是只挑低体重儿分析，还是回归中把 M 放进去——他们其实是在一个对撞点上分层。M 是 A 和 U 的共同效应，以 M 为条件会在 A 和 U 之间制造出虚假的负相关。于是 A→U→Y 这条伪路径被打开了，吸烟看起来保护了低出生体重的婴儿。

这不是个偏门冷笑话。更经典的示意图是：在 ICU 病人中，“车祸伤”与“肺炎”似乎呈负相关。因为入院本身既是车祸的结果也是肺炎的结果——在“已经住院”这个条件下，两种原因被强制负相关，便产生了本不存在的关联。更日常的版本：你想估计教育对收入的因果效应，“职业”是典型的中介——把它放进回归，你阻断的就是教育真正起作用的那条路。

所以“越控制越干净”是一条没有受过 DAG 训练的民间智慧。真正的纪律是：在点按钮之前，画一张图，列出你的变量之间的有向箭头。如果你不敢捍卫那幅图，那么你也不敢捍卫任何调整后的系数。

值得辩论的问题：既然“控制一切可测变量”这种操作还到处都在做，那么文献里那些声称 “robust to adjustment” 的估计，有多少其实是在对撞点上叠罗汉？