有些变量，控制了就毁了
上一章的后门准则有两条。第二条（堵住后门）符合直觉，第一条（不要处理的后代）不符合。这一章给第一条配两个尸体——其中第二个，会让「和两边都相关就该控制」这条流传最广的经验判据彻底破产。
研究「运动 X 是否降低心脏病风险 Y」。有人建议把 BMI 也控制进去，理由是「BMI 明显和运动相关，也明显和心脏病相关，是个重要的混淆变量」。这个建议？
这道题的关键不在算术，在于你到底想问哪个问题。
第一种尸体：中介
假设真实结构是这样，而且我把三个系数都写死了：
X := 噪声 M := 0.8 × X + 噪声 # M 是中介 Y := 1.0 × M + 0.5 × X + 噪声 # 真【总效应】= 直接的 0.5 + 间接的 0.8 × 1.0 = 1.300
第一个按钮。两万个样本：
X 的系数 与真值 1.300 相比 ──────────────────── ──────── ───────────────── 不控制 M 1.2933 对 控制 M 0.4949 砍掉了 61.9%
控制 M 之后剩下的 0.4949，其实是直接效应（那个 0.5）。它不是「错的数」——它是另一个问题的正确答案。
- 总效应：多运动，心脏病风险会降多少？（包括通过减重实现的那部分）→ 不要控制 BMI
- 直接效应：在体重不变的前提下，运动本身还有额外好处吗？→ 要控制 BMI（而且还需要更多假设，见下）
绝大多数场合，你想问的是总效应——因为你能拨动的是「运动」，不是「运动但体重不许变」。能拨的那个才是决策变量。
这里还有一个更细的陷阱，值得说清楚：就算你真想要直接效应，简单地「把中介放进回归」通常也是错的。因为中介往往有自己的混淆变量（比如「饮食」同时影响 BMI 和心脏病）。一旦控制了中介 M，X → M ← 饮食 → Y 这条路就被打开了——你在测直接效应的同时引入了一个对撞机。这类问题属于中介分析（mediation analysis），需要比后门准则更强的假设，第 24 章会给入口。
第二种尸体：M-bias
这一个更难防，因为它不是 X 的后代——上一章那条粗暴的规则救不了你。
看这张图（四条边摆出一个 M 的形状，所以叫 M-bias）：
U₁ U₂ ← 两个你没测到的变量
↘ ↙
Z ← 你测到了，而且很想控制它
↙ ↘
X ────────→ Y
点第二个按钮。数字：
X 的系数 真值 0.400 ──────────────────── ──────── ────────── 不控制 Z 0.4023 对 控制 Z 0.2013 砍掉一半
现在请注意 Z 在数据里长什么样：
- Z 和 X 相关吗？相关（通过 U₁）。
- Z 和 Y 相关吗？相关（通过 U₂）。
- Z 在 X 之前发生吗？是的（它不是 X 的后代）。
三条全中。按照最流行的那条经验判据——「同时和处理、和结果相关的前置变量就是混淆，应该控制」——Z 是一个完美的、教科书级别的混淆变量。
而它其实是 U₁ 和 U₂ 的对撞机。控制它，X ← U₁ → Z ← U₂ → Y 这条路就通了，一条本来不存在的后门被你亲手打开。
下面两张图，在数据里产生的相关模式可以完全一样：
图甲（Z 是混淆） 图乙（Z 是 M-bias 的对撞机）
Z U₁ U₂
↙ ↘ ↘ ↙
X → Y Z
↙ ↘
X → Y
图甲里必须控制 Z，图乙里绝对不能控制 Z。而没有任何统计检验能把它们分开——因为 U₁、U₂ 你没测到。
决定权只在一个地方：你对这件事的了解。这不是这门学问的缺陷，这是它逼你面对的现实——你以前也在用这些了解，只是没写出来。
一份「不要控制」清单
把前面几章的结论收一下。下面这些变量，放进回归会主动制造偏差：
| 类型 | 为什么不能控制 | 怎么认出来 |
|---|---|---|
| 中介 X→M→Y | 砍掉一部分真效应 | 处理之后才发生，而且在通往结果的路上 |
| 对撞机 X→S←Y | 凭空造出关联 | 处理和结果共同影响的东西 |
| 对撞机的后代 | 和控制对撞机一样坏 | 受某个对撞机影响的任何东西 |
| 结果的后代 Y→D | 相当于控制了部分 Y | 结果之后发生的事 |
| M-bias 的 Z | 打开一条本来不存在的后门 | 认不出来——只能靠对机制的了解 |
| 工具变量 Z→X | 把工具的价值消耗掉，还放大偏差 | 只影响处理、不直接影响结果的东西（第 19 章） |
最后一行是一个漂亮的意外：工具变量放进回归不但没用，还会让偏差变大（这个现象叫 Z-bias 或 bias amplification）。它是你手上最值钱的一样东西——但价值在于拿它做第一阶段，不在于把它塞进控制变量。
产品分析中最常见的中介误控：评估「新引导流程」对次留的影响时，把「完成引导的步数」控制进去。步数是引导流程的直接后果，控制它等于问「在完成同样多步的前提下，新流程有什么用」——而新流程的价值恰恰就在于让人多走几步。
薪资研究中的经典争论：研究性别对薪资的影响时，要不要控制「职位」？如果性别会影响晋升，那职位就是中介，控制它会把这部分歧视抹掉，估计出的差距变小。这场争论至今没有共识——但争论的焦点很清楚：它是在争那张图，不是在争统计方法。这本身就是这门学问的一个成果：它把一场关于数字的争吵，变成了一场关于结构的争吵。
这条判据在文献里流传极广，因为它在只有混淆的世界里是对的。问题是你不知道自己在哪个世界。
正确的判据只有一个：后门准则。而它需要输入一张图。「我不想画图，能不能给我一条不用图的判据」——答案是不能，因为要区分的东西（谁导致谁）本来就不在数据里。
补一句公平的话：M-bias 在实践中有多常见、值不值得为它放弃「控制所有前置变量」这条简单策略，学界是有争论的（有人认为需要非常特殊的参数配置才会造成严重偏差）。本书的立场是：你至少要知道它存在，然后自己判断手上这个问题像不像它。
DB 和 C 都对。
B 说的是事实：BMI 是运动的后果（运动 → 减重 → 心脏病风险降低），控制它会砍掉总效应里通过减重实现的那一大块。C 说的是更根本的一层——该不该控制，取决于你问的是总效应还是直接效应，而这个问题数据回答不了，只有你能回答。
实践中的默认答案是不控制：因为你能拨动的旋钮是「运动量」，不是「运动量但体重不变」。决策要用的是总效应。
A 「两边都相关」——本章要杀死的那条判据。它对中介成立（中介确实两边相关），对对撞机成立，对 M-bias 成立——它对所有该控制和不该控制的变量都成立，所以它什么都没说。 B 对，但只答了一半。它没有指出「直接效应」这个问题本身是合法的（在某些研究里恰恰是要问的）。 C 对，但太软了。大多数决策场景要的就是总效应，所以默认答案应该是明确的「不控制」，而不是「看情况」。这一章的一句话
不是所有相关的变量都该控制；中介会砍掉真效应，M-bias 里的对撞机会伪装成完美的混淆，而唯一可靠的判据是一张你必须自己画出来的图。
下一章是这本书的招牌。同一份两万人的数据，四种控制变量的选法，四个答案：−3.32、+4.96、+3.31、−4.81。真值是 +5.00，写在结构方程里。数据一个字节都没变。