为什么控制变量反而让因果反转

追加控制变量反致系数倒转

在因果推断里，增加控制变量不仅无法剔除混杂干扰，反而会在原本毫无关联的两个变量之间凭空捏出一条负相关。

我第一次注意到这个现象是在整理一份关于区域产业政策的数据时。当时我们试图评估一项制造业补贴对企业存活率的影响，模型里已经控制了企业规模、成立年限和行业类型。为了把估计值做得“更干净”，同行建议把“是否获得过银行贷款”也加进回归方程。跑完代码，补贴的系数突然从显著为正变成了显著为负。数据没有造假，模型设定也符合计量经济学的常规操作手册，但结果就是反着来了。后来我把所有变量画成一张有向无环图，才发现那个被加进去的银行贷款变量，恰恰是一个典型的对撞节点。补贴政策会影响企业拿贷款的概率，企业自身的隐性资质同样会影响信贷审批。这两个因素在宏观样本里相互独立，一旦我们把研究范围限定在“已经获得贷款”的群体里，它们就在数学上被迫产生了关联。

对撞结构扭曲条件概率分布

数学上的解释其实并不绕。假设两个自变量 和 互相独立，它们都单向指向一个结果变量 ，写成箭头就是 。统计学里把 叫作对撞节点。在没有任何额外条件时， 和 的协方差为零。可一旦我们控制 ——无论是把它放进回归方程的右边，还是仅仅把样本筛选为 取某个固定值的子集——条件概率的分布结构就会发生偏转。用公式写出来是 。因为 通常不等于 ，分子里的联合概率会被强行重组。此时再去看 对 的条件依赖，符号就会翻转。直观一点看，如果已知 已经发生， 的取值越高，留给 去“补足”达到 的份额就越小。这种互补关系在交叉表格里直接呈现为负相关。

条件集合一旦收紧，独立性即刻失效。

盲目堆砌协变量激活虚假通道

这种现象在经济学政策评估中极其隐蔽。研究者习惯性地收集尽可能多的协变量，认为多控总比少控安全。但因果网络不是积木堆叠，塞进去的变量越多，被激活的虚假通道就越多。Angrist与Pischke在2009年的计量教材中分析工会会员薪资溢价时，把“工作岗位类型”作为控制变量引入模型。工会组织本身会推动企业调整岗位设置，而企业的技术路线又独立决定了岗位分布。把岗位类型塞进控制集，等于在工会力量和技术路线这两个独立因素之间强行建立统计关联。回归系数立刻缩水，工会的正面作用被大幅低估。政策制定者如果据此调整补贴力度，依据的就是一个被统计方法扭曲出的反向信号。

生物信息学里的全基因组关联分析也在这条路径上反复受挫。早期筛选疾病易感基因时，研究人员会把受试者的住院时长或特定生化指标达标情况当作分层变量。疾病表型会直接决定这些指标，而受试者未测量的生活方式、遗传背景同样在暗中作用。把样本按指标分层后，原本不相关的基因位点与混杂因素就被拉到同一张条件概率表里。GWAS 早期文献里那些无法复现的阳性信号，很大一部分源于样本量不足导致的统计功效偏低与群体分层混杂。测序技术能给出精确的碱基对差异，却算不出条件概率的扭曲方向。

算法逻辑无法替代因果推演

统计软件只认矩阵运算，不认因果箭头。

这种惯性背后是对相关性和因果性的混淆。算法默认任何变量都可以被塞进等号右边，优化器会忠实地跑出最小二乘解。软件不关心箭头指向哪里，也不关心条件集合是否切断了真实路径或打开了虚假通道。因果推断的核心步骤其实是在数据跑起来之前完成的：哪些变量是混杂因子需要阻断，哪些是中间变量必须避开，哪些是对撞节点绝对不能碰。画完图再选变量，比调整模型参数重要得多。面对一个包含几十上百个协变量的观测数据集，真正需要做的不是把所有能找到的特征都扔进回归，而是先回答一个问题：我们控制的那个变量，到底站在箭头的哪一头。