研究说了什么
区分混杂与中介，靠的是变量在因果图中的位置，而不是统计显著性。混杂是暴露与结局的共同原因，位于暴露之前，调整它能减少偏倚；中介位于暴露之后、结局之前，是效应传递的环节，调整它会切断总效应，把估计变成直接效应。碰撞变量是暴露与结局的共同结果，调整它会人为制造关联，这就是碰撞分层偏倚。判断该调整哪些变量，可以用后门准则：找到一组变量阻断所有从暴露到结局的后门路径，同时不包含中介与碰撞。前门准则适用于中介可测、混杂不可测的情形。工具包括 g 公式、边际结构模型与逆概率加权，纵向数据里还要处理随时间变化的混杂，常规回归在这种情况下会有偏。另一个常见错误是调整基线后的同一变量，比如用随访时的血压评估降压药效果，等于把药物的一部分作用调整掉了。另一个细节是调整变量的测量误差，把粗糙分类的协变量放进模型，残余混杂仍然存在，校正效果被高估。另一个实用工具是单世界干预图，把干预、结局与中介画在同一张图上，避免遗漏重要路径。
为什么重要
抗衰研究习惯把能拿到的变量都放进模型，年龄、性别、收入、体重指数、血压、血糖、炎症指标、用药，一股脑调整。问题是，其中一些是中介：研究运动与死亡，调整体重与胰岛素敏感性会扣掉运动的部分真实效应；研究饮食与心血管病，调整血脂同理。调整越多，估计越接近直接效应，而直接效应往往不是政策或行为干预关心的量。对读者，看到调整模型应先看作者画没画因果图，调整集是否有理论依据，是否报告了调整前后效应变化。对研究设计，预先指定调整集、把中介分析单独做，比事后试模型更可信。它也能解释为什么同一暴露在不同论文里效应差很多，调整集不同是常见原因，而不是数据本身矛盾。对公共卫生，若总效应才是决策依据，把中介全部调整掉会低估干预价值，甚至得出运动无关的结论。对观察性数据，作者常报告多个模型，从粗模型到全调整模型，读者应关注调整了哪些变量以及为什么，而不是只看最后一个模型。若调整后效应明显变小，应追问是混杂被去掉，还是中介被扣掉。
证据与边界
因果图依赖领域知识，两个人可以画出不同的图，得出不同的调整集，数据本身无法裁决。变量时序也常不清楚，问卷在同一时点采集暴露、中介与结局，谁先谁后只能假设。一个典型失败案例是研究教育与美国中老年认知，调整了职业与收入，而这两者是教育的下游中介，结果教育效应被大幅低估，作者却称之为独立效应。另一个问题是调整碰撞变量，比如研究吸烟与心血管病时调整因吸烟导致的体重下降，反而引入偏倚。看到调整模型，先问每个协变量在时间上的位置，再看结论是总效应还是直接效应。若论文没有因果图，至少应说明调整集的依据，并给出不调整中介时的敏感性结果。另一个边界是随时间变化的混杂，常规回归只能调整基线值，随访中变化的混杂需要边际结构模型或 g 方法，否则估计仍有偏。另一个边界是效应异质性，调整集在不同亚组中的作用可能不同，把一个调整集套到全部人群会掩盖差异，分层的因果图更合适。对政策问题，总效应通常比直接效应更有意义，除非干预只能作用于某条通路。