【锚点】这一讲只钉一个【因果推断】判断：【随机化】只能切断【处理前混杂】，不能保护你【条件在后处理变量】上；一旦你在【存活者】中比较组别，就可能打开【collider路径】，把【无效】读成【有害】。

【显式】设一项随机试验，T=1 用新药，T=0 对照，各 50%。U 是基线风险：U=0 低风险，U=1 高风险，各 50%。Y=60天恢复率。U=0 恢复率 1，U=1 恢复率 0。T 只改善生存 C，不改善恢复。 - 对照：低风险存活率 0.8，高风险存活率 0.4。 - 治疗：低风险存活率 0.8，高风险存活率 0.8。 全样本 ITT：两组恢复率都是 0.5，真实效应 0。

【隐式】只看【C=1 存活者】： - 对照存活者中高风险比例 = 0.5×0.4 / (0.5×0.8+0.5×0.4) = 1/3，恢复率 = 2/3。 - 治疗存活者中高风险比例 = 0.5×0.8 / (0.5×0.8+0.5×0.8) = 1/2，恢复率 = 1/2。 表观效应 = 1/2 - 2/3 = -1/6。药似乎让恢复率下降 16.7 个百分点，但它根本没碰恢复。

【细微】这里不是【发表偏倚】，也不是【测量误差】，而是【选择集】本身被 T 改变：治疗把原本会死的高风险患者拉进存活者集合，改变了比较对象的构成。这个结构在因果图里叫【collider stratification bias】，Tian & Pearl (2001, On the control of selection bias in causal inference) 用选择图把它形式化。

【极难发现】真正危险的是：研究者往往以为【随机化】已经让 T 和 U 独立，所以条件在 C 上“只是子集分析”。但 C 是 T 和 U 的共同结果；条件在共同结果上会制造 T 与 U 的局部相关。

【流程节点链路】随机化保证 T⊥U → U→C 且 T→C → C 成为 collider → 条件在 C=1 打开 T↔U 路径 → U→Y 传导 → 存活者中 T 与 Y 出现虚假关联 → 表观效应偏差。

【可证伪检验】如果 C 与 T 无关（两组存活率相同），条件在 C 上不应改变效应；如果 C 同时被 T 和 U 影响，且 U 影响 Y，则偏差方向可由 T 对 C 的方向与 U 对 C/Y 的方向预测。本例中治疗提高高风险存活，因此治疗组存活者更“病”，恢复率被压低。

【结尾问题】如果一项 RCT 的主要结局只能在存活者中测量，你更该相信【ITT全样本】还是【存活者分析】？什么时候“只看存活者”不是错误，而是必须？