【锚点】这一篇只钉一个判断：【在观察性研究里，『把能控制的变量都控制掉』不是默认正确；条件化一个【collider】会打开原本关闭的路径，制造假的因果关联】。

【显式】设【E】是暴露，【Y】是结局，【C】是『住院』。总体里【E】与【Y】独立：【P(Y=1|E=1)=P(Y=1|E=0)=0.20】。【E】和【Y】都提高住院概率：【P(C=1|E=1,Y=0)=0.30】，【P(C=1|E=1,Y=1)=0.80】；【P(C=1|E=0,Y=0)=0.10】，【P(C=1|E=0,Y=1)=0.60】；【P(E=1)=0.5】。

【隐式】只看住院者【C=1】，【P(Y=1|E=1,C=1)=0.40】，【P(Y=1|E=0,C=1)=0.60】，【OR≈0.44】。【E 看起来『保护』Y】。总体里根本不存在这个负关联。

【细微】这不是计算错误，而是【Berkson/collider 偏倚】：【C】同时被【E】和【Y】影响，结构是【E→C←Y】。条件化在【C】上，会让【E】与【Y】产生统计依赖。流行病学里叫【selection bias】，因果图里叫【conditioning on a collider】；Berkson（1946）的住院者偏差、Pearl（2009）的 collider 规则都在说同一件事。

【极难发现】文献综述也常隐形条件化在【collider】上：纳入【显著研究】【高质量研究】【可发表研究】，这些筛选变量同时受【效应大小】【样本量】【发表压力】影响。合并这些研究时，等于在【collider】上分层，可能把真实效应推向零或反向。

【流程节点链路】：研究问题 → 暴露/结局定义 → 画出【DAG】（【E→C←Y】）→ 判断样本是否条件化在【C】→ 标记【collider/selection bias】→ 用敏感性分析或负对照估计 → 给出结论边界。

【结论】做文献综述时，先别问『作者控制了哪些混杂』，先问『样本是怎么进入研究的』。如果纳入标准本身受暴露和结局影响，任何【pooled effect】都先带上了选择偏倚。

值得辩论的问题：如果一项随机对照试验也只纳入『住院患者』，随机化能消除【collider bias】吗？