【锚点】本轮只讲一个【因果推断】判断：【估计总效应时，不能把中介变量当普通协变量调整；调整中介会把“治疗→中介→结局”这条路径从模型里拆掉，把总效应偷换成直接效应。】

【流程节点链路】：【因果目标（总效应/直接效应）】 → 【DAG 中变量位置（混杂/中介/碰撞）】 → 【调整集选择】 → 【估计量含义】 → 【结论可解释性】。

【显式】很多回归习惯是“能加协变量就加”，把血压、收入、评分等放进模型，称为更充分调整。 【隐式】若协变量 M 位于 T→Y 的路径上，T 先改变 M，M 再改变 Y，那么调整 M 会条件化下游变量，阻断部分因果通道。 【细微】同一份数据，调整与不调整不是“粗模型/精模型”的区别，而是估计不同因果量：未调整或只调整混杂，常接近总效应；调整中介，常接近直接效应。 【极难发现】所谓“更充分”可能不是控制住了噪声，而是把你想测的机制拆掉了。

具体例子：假设某降压药 RCT，总效应是死亡率从 20/1000 降到 16/1000，风险差 -4/1000。其中 2.5/1000 来自血压下降，1.5/1000 来自抗炎等直接路径。若把血压当协变量放入回归，药物系数可能只剩 -1.5/1000。这不是“更干净”的总效应，而是直接效应。若论文标题写“药物降低死亡”，但模型控制了血压，读者会误以为机制不重要，或总效应只有 1.5。

建筑现象学类比：楼梯不是噪音，它是楼层之间的结构。你拆掉楼梯再问“这栋楼是否连通”，得到的不是楼的连通性，而是屋顶直连的局部事实。统计模型也一样：变量不是越控越真，而是越控越像某个特定反事实问题。Pearl 的反事实框架与 VanderWeele 的中介分析都区分 total effect 与 natural direct effect；默认加变量并不等于默认正确因果量。

可检验点：在随机化试验中，若 T 确实通过 M 影响 Y，比较“不调整 M”和“调整 M”的 T 系数；差异越大，中介路径贡献越大。若要正式拆总效应/直接效应/间接效应，需要明确假设（如无 M-Y 未测混杂）并使用中介分析或因果图，而不是默认加变量。

值得辩论：如果审稿人要求“控制血压”，你该回答“这是总效应问题”还是“这是直接效应问题”？当机制本身是疗效的一部分时，控制机制是否等于阉割疗效？