07 对撞机：控制它，会凭空造出相关

▷ 先判一次

你在分析用户数据，想知道「用了功能 A」对留存有没有帮助。同事建议：「把用户付费金额也加进回归控制一下，毕竟付费用户和免费用户很不一样。」假设真实结构是：用功能 A 会促进付费，留存高的人也更可能付费。这个建议？

A 好建议，付费金额确实是个重要的混淆变量B 无所谓，多控制一个变量顶多是多余C 坏建议，这会引入偏差D 要看付费金额和功能 A 的相关性有多高

注意题干给了结构：功能 A → 付费，留存 → 付费。请照着上一章的三个零件对号入座。

亲手拧一次

两行独立的随机数，A 和 C。然后 B := A + C + 噪声。B 是它们的共同后果——一个对撞机。

三个按钮对应三种「控制 B」的方式，请依次点：

全部人：r(A, C) = −0.004。两万个样本剩下的抽样零头，实质是零。
只看 B > 1.0 的人：散点图整个歪掉，明显的负相关。
在回归里控制 B：偏相关 −0.501。

请盯着第一步和第三步的差距看一会儿：−0.004 → −0.501。生成 A 和 C 的代码没有变，数据没有变，变的只是你在分析时多写了一个变量名。

◆ 对撞机偏差

当 A 和 C 共同影响 B 时，条件化 B（不管用什么方式）会在 A 和 C 之间制造出一个本不存在的关联。

直觉：B 的值被固定住之后，A 和 C 必须「凑」出这个值。一个大了，另一个就得小。它们被绑在了一起，而绑它们的绳子是你自己系上去的。

「控制」的三种伪装

这一节是本章的实用价值所在。因为「条件化」在实践中长着三张完全不同的脸，其中两张不像「控制」。

伪装一：把它放进回归

最明显的一种。lm(y ~ x + z) 里的 z，就是在条件化 z。这是唯一一种你会主动意识到「我控制了它」的形式。

伪装二：分组看 / 只看某一类

「我们只分析付费用户」「我们只看 DAU 大于 1000 的 App」「我们把用户分成高活跃和低活跃分别看」——全都是条件化。

这一种最容易漏，因为它不发生在建模阶段，发生在写 SQL 的 WHERE 子句里。

# 这一行就是条件化
df = df[df.paid_amount > 0]     # ← 如果 paid_amount 是对撞机，你已经中招了

伪装三：数据集本身

最隐蔽的一种。第 4 章的返航飞机、名校学生、活跃用户——数据是怎么进到你手上的，本身就是一次条件化，而且是在你拿到数据之前就完成的。

这一种没有代码可以指着看。发现它的唯一办法是问一句：「这批数据是被什么筛出来的？那个筛子和我要研究的东西有关系吗？」

✂ 一条硬规矩

对撞机偏差还有一条扩展规则，它比主规则更容易害人：

控制对撞机的任何一个后代，效果和控制对撞机本身一样。

也就是说，你不需要真的控制 B，只要控制了任何一个「受 B 影响」的东西，那条路照样会通。因为知道 B 的后代，就等于知道了一部分关于 B 的信息。

实践上这条规则的推论非常锋利：凡是在处理之后才发生的变量，都不要放进回归。不管它看起来多像一个该控制的东西。因为「处理之后才发生」意味着它可能是处理的后代、结果的后代、或者两者的共同后代——三种情况里有两种会害你。

为什么这件事在现实中特别难防

因为对撞机看起来像一个该控制的变量。

回到开头那道题的结构：功能 A → 付费，留存 → 付费。在数据里你会观察到：

付费金额和「用了功能 A」相关 ✓
付费金额和留存相关 ✓

这正是教科书上「混淆变量」的经验判据——「同时和处理、和结果相关」。而在这里，它是对撞机，控制它会毁掉估计。

◆ 数据分不出混淆和对撞机

C → X, C → Y（混淆）和 X → S, Y → S（对撞）这两个结构，在数据里都表现为「这个变量和处理、和结果都相关」。

光看相关矩阵，它们长得一模一样。区分它们的唯一依据是时序和机制——哪个在前，哪个在后，谁导致谁。

这就是为什么第 8 章之后，我们必须画图。图不是为了好看，图是唯一装得下这个区别的容器。

▸ 在现实里

Berkson 悖论（1946）：住院病人中，两种毫不相干的疾病之间会呈现负相关。因为「住院」是一道门——你得病得够重才会住院，得了 A 病就不需要 B 病也很重才能进来。约瑟夫·伯克森当年正是从医院数据里发现这个的。

「肥胖悖论」：在心衰患者中，肥胖者的存活率反而更高。这个反直觉的结论有一部分可能来自对撞机——「得心衰」这件事本身是一道门，瘦的人得心衰往往意味着有别的更严重的问题。这个解释在流行病学界仍有争议，本书不下结论，只指出它是一个候选机制。

招聘中的「学历 vs 能力」：第 4 章说过。你的筛简历规则就是那道门。

推荐系统的反馈回路：你只能观察到「被推荐了的内容」的点击数据。「被推荐」是一道门，而它同时受内容特征和用户特征影响。这让离线评估系统性地偏向现有策略——这也是推荐系统里「离线指标涨、线上不涨」的一个来源。

✗ 这个直觉是错的

一个变量既和处理相关、又和结果相关，那它就是混淆变量，应该控制。这条经验判据会把对撞机误判成混淆，而控制对撞机是纯粹的伤害。判据必须是结构上的，不能是相关上的。

这条错误的经验判据在很多统计课本和实践指南里都出现过，甚至有一个名字叫「变量选择的相关性准则」。它在只有混淆的简单世界里没问题，一旦图里有对撞机就会翻车。

正确的判据是第 10 章的后门准则，它的第一条就是：调整集里不能有处理的后代。这一条直接把对撞机和中介一起排除掉了。

◇ 判词

C坏建议，这会引入偏差。

题干给的结构是 功能A → 付费 ← 留存——付费金额是一个标准的对撞机。控制它会在「用了功能 A」和「留存」之间造出一个假关系，而且这个假关系的方向通常是负的，可能把一个正效应压成零甚至负数。

A 「付费是重要的混淆变量」——用了那条错误判据（「和两边都相关」）。混淆必须在处理之前，而付费是处理之后才发生的。 B 「多控制一个顶多是多余」——这是最普遍、也最贵的一个误解。多控制一个对撞机不是多余，是制造偏差。第 12 章会用一个真实效应 +5.00 的例子给你看：多控制一个对撞机，估计从 4.96 掉到 3.31。 D 「要看相关性有多高」——相关性高低完全不能区分混淆和对撞机。相关性再高，也回答不了「谁在前」这个问题。

这一章的一句话

控制一个共同后果，会在两个原因之间凭空造出关系；而「控制」有三张脸——回归里的一列、SQL 的 WHERE、和数据集本身。

下一章把前两章的规则变成一台机器。你会拿到一个只看图、不看数据的判定器：输入两个变量和一个条件集，它告诉你它们在这张图下独立不独立。这台判定器和 Python 的 networkx 在 1484 个随机图查询上逐题对过答案，一题不差。