【锚点】本轮只教一个【因果推断】判断：【控制变量不是越多越可信；把共同结果（碰撞节点）当控制项，会把没有因果的变量读成有因果。】

【显式】画一张最小图：暴露 T 影响是否进入样本 C，混杂 U 也影响 C，U 再影响结局 Y；T 对 Y 没有直接作用。【流程节点链路：暴露 T → 进入样本 C ← 混杂 U → 结局 Y】

【隐式】C 不是混杂，因为 T 和 U 在总体里独立；但 C 是 T 和 U 的共同结果。一旦你只分析 C=1 的样本，或把 C 放进回归，你就在条件化一个碰撞节点，T 和 U 会在子样本里变得相关。

【细微】给一个可复算的数字：P(T=1)=0.5，P(U=1)=0.5，T 与 U 独立；C=1 当且仅当 T=1 或 U=1；Y=U。总体中 P(Y=1|T=1)=0.5，P(Y=1|T=0)=0.5，T 的因果效应为 0。但只看 C=1：P(Y=1|T=1)=0.5，P(Y=1|T=0)=1.0。你得到 -0.5 的风险差，方向还是保护性假象。

【极难发现】这不是漏掉混杂，而是多控制了一个不该控制的变量。按 Pearl 的后门准则和 Hernán & Robins 的选择偏倚框架，问题是：切断所有后门，同时不要打开新后门；它不是把所有能想到的变量塞进模型。法律类比：若只比较被媒体重点报道的案件中两位律师的败诉率，案件难度可能同时让案件被报道、让败诉率升高；把报道当公平性控制，反而制造律师能力的假象。

所以，下一个值得辩论的问题是：当你的样本本身由暴露或结局触发（被起诉、被媒体关注、被诊断、被发表），你估计的到底是处理效应，还是选择规则？