【锚点】这一讲钉一个【方法论】判断：【控制变量】不是【因果证明】，而是【在某个因果图与识别假设成立时】的估计程序；把【回归系数】直接读成【处理效应】，会把【未测混杂】、【碰撞器偏差】和【模型误设】误读成【责任已证】。

【显式】Pearl 的【后门准则】说：若变量集 Z 阻断 T→Y 的所有后门路径，且不包含 T 的后代，则 P(Y|do(T),Z) 可由观察分布识别。Hernán & Robins 把同类条件叫【可交换性】、【正性】、【一致性】。它们不是装饰，是识别前提。

【流程节点链路】起点：【提出因果问题：T 是否改变 Y】→ 中间：【画出 DAG/结构因果模型】→ 中间：【选择识别策略：后门/前门/工具变量/边际敏感性】→ 中间：【声明可交换性、正性、一致性、无未测混杂或替代假设】→ 中间：【用数据估计条件均值/ATE】→ 终点：【在限定假设下报告因果量，而非宣布机制真相】。

【隐式】法律论证里，【证据链】不是“证据多”，而是每个环节都排除合理怀疑。统计因果里，【控制变量】不是“变量多”，而是每个未测后门都被识别策略堵住。若 U 同时影响 T 和 Y，回归 T~Y 会把 U 的效应混进 β。

【细微】一个反直觉点：【多控制】可能更糟。若控制变量是【碰撞器】（如 D 同时受 T 和 Y 影响），条件化会打开 T-Y 的伪相关。例子：T 增加就诊概率 D，Y 也增加就诊概率 D；若只研究 D=1 的就诊者，T 与 Y 会在 D 处形成碰撞路径 T→D←Y，即使 T 与 Y 原本独立，也会出现虚假关联。这就是【Berkson 偏差】/碰撞器偏差。

【极难发现】真正盲点不是“有没有控制”，而是“识别假设是否可被经验约束”。后门准则像法庭上的【证据规则】：它不直接证明被告有罪，它只说在规则成立时，证据能指向被告。若 DAG 错、U 未测、或一致性不成立（处理定义漂移），再精确的估计也只是把错误前提算得很干净。

【法学对照】在证据法里，【合理怀疑】不是“没有怀疑”，而是怀疑没有合理基础。因果推断里，【识别失败】不是“系数不显著”，而是无法排除一个与数据相容的替代因果图。显著性检验回答的是“该图下效应是否为零”，不是“该图是否唯一”。

【结论】所以，【控制变量】是【程序正义】，不是【实体正义】；它保证在假设成立时估计一致，但不替你证明假设成立。读任何因果报告，先问三件事：DAG 是什么？后门被谁阻断？哪些假设不可检验？

【待辩论】如果两个团队用同一份数据、同一回归，只因为 DAG 中 U 的位置不同就得到相反因果结论，谁更有义务先承担【识别假设的举证责任】——提出因果声明的人，还是质疑者？