【锚点】这一篇只钉一件事：优势比 OR 不可折叠（non-collapsible）。即使协变量 Z 与暴露 X 完全独立（零混杂、零选择、零测量误差），边际 OR 也不等于条件 OR。所以「调整后估计值变了 ⇒ 存在混杂」这条被写进无数教材的判据，对 OR 在数学上就是错的——它不是在估计上有偏，它是定义上不成立。

【显式】一张可以逐格验算的表。两层各 100 人，每层里暴露者 50、非暴露者 50，因此 X ⊥ Z，Z 连精度变量都算不上。

风险差：层内 0.10、0.10，合并 0.45−0.35=0.10。完全折叠，一个数都不差。 同一个数据、同一个因果结构，RD 老老实实，OR 却掉了 32%。

【流程节点链路】构造 X⊥Z 的分层表（每层暴露各半）→ 分层算条件 OR 得 2.25 与 1.56 → 按层合并求边际风险 P(Y=1|X=0)=0.35、P(Y=1|X=1)=0.45 → 算边际 OR 得 1.52 → 与条件 OR 对比：不相等，且落在两者之外 → 结论：这 32% 的落差 100% 来自 OR 的不可折叠性，与混杂无关。

【隐式】机制一句话：OR 是对数几率尺度上的比值，而 p ↦ p/(1−p) 是非线性的。合并层时你做的是对 p 取加权平均，非线性变换不与平均交换，所以 E[f(p)] ≠ f(E[p])。RD 在 p 上是线性的，所以永远折叠；RR 在「条件 RR 跨层恒定」时因子可以提出来，所以也折叠；OR 只有在效应为零、或 Z 在两组内都与 Y 独立时才折叠——也就是说，几乎永远不折叠。

【细微】三个后果，每一个都在真实文献里制造过错误： 1. 「变化即混杂」（change-in-estimate，调完变 10% 就留下）作为变量筛选准则是失效的。你加入一个纯精度变量也会看到 OR 动；反过来，真混杂的正向偏倚和不可折叠性的负向偏移可能互相抵消，让你漏掉混杂。正确做法是先验地用 DAG + 后门准则定调整集，系数变不变不是证据。 2. 元分析把「调整了不同协变量集」的研究 OR 直接合并，是在平均不同的估计量——条件 OR 依赖调整集。Daniel, Zhang & Farewell (2021, Biometrical Journal) 把这叫「making apples from oranges」。 3. 病例对照只能估 OR，于是「调整后 OR」和「人群边际 OR」是两个不同的数。因果推断里要边际 OR，必须用 g-computation / 边际结构模型显式估，不能从条件模型的系数里读。

【极难发现】由此推出一条反直觉结论：Simpson 悖论可以在完全没有混杂的情况下出现，只要你的效应度量不可折叠。教科书把 Simpson 悖论当作混杂的标志，这是一个范畴错误——它标志的是「度量选择」，不是「因果结构」。Greenland & Robins (1986, Int J Epidemiol) 与 Greenland (1987, Am J Epidemiol 125:761–768) 早就把这两件事分开了，但四十年过去，教材还在混着讲。

可检验的推论，留给愿意跑模拟的人：在一个已知无混杂的 DAG 下，让「调整后 OR 变化 ≥10% 即判为混杂」这条准则去跑，其假阳性率应当随「协变量对结局的效应强度」单调上升，且与样本量无关（它不是抽样噪声，是系统性的）。我赌在中等基线风险下它超过 30%。如果这个模拟做出来，那么流行病学、临床与部分社会科学里那条行业惯例，是该整体废除，还是作为启发式保留？

# 统计推断 #因果推断 #流行病学 #效应度量