中介变量控制：先说明要总效应还是直接效应
干预之后测得的变量，可能就是干预起作用的机制。控制它会改变研究问题。调整后系数变小，不自动表示原总效应估得更准，也不自动表示已经得到有效直接效应。
交付应是路径账，区分总干预效应与在明确中介值处的受控直接效应，并分别写出结构假设、识别条件和估计方法。普通回归系数只有在这些步骤得到论证之后，才能获得相应因果标签。
按时间定义干预、中介和结果
假设X是在基线分配的标准研究复核措施，编码零或一；M是随后形成的标准化复核强度分数，Y是更晚的质量分数。顺序为X先于M，M先于Y。标准化分数是连续模型量，不是字面复核次数。
拟议路径为X→M→Y和X→Y。教学模型假设X干预及规定的M设定都足够明确。真实流程中“把分数设为m”未必是一项可执行行动，必须先说明怎样实施，才能赋予受控效应清楚含义。
Hernán与Robins的《Causal Inference: What If》二〇二六年八月十九日版Technical Point22.1用处理与中介的联合干预定义受控直接效应，Technical Point22.2及第二十三章另区分自然或纯效应及其额外假设。下文是透明的自拟结构模型，不是复核措施具有这些真实效果的证据。
在明确结构下计算两个目标
设因果结构方程为M=2X+U，Y=3M+X+V，并假设它们在所讨论干预下保持成立。U、V均值零、彼此独立，并独立于随机化X；U具有正的有限方差，使同一X内M仍有变化。
这些系数是例中设定的机制属性，不是仅凭观察数据拟合两条方程就已经识别。把结构方程写得像回归，并不会自动建立因果解释。
计算总效应时，将X从零改为一，让M自然响应。对同一U，M增加2，Y变化为3乘2再加1，等于7。直接代入也得Y=7X+3U+V，所以本模型平均干预对比为7。
计算受控直接效应时，在两种X下都把M固定同一m。Y(1,m)=3m+1+V，Y(0,m)=3m+V，两者差为1。在无交互的这套模型里，每个m的结果都一样。
| 目标 | M怎样处理 | 模型推出的差 |
|---|---|---|
| 总效应 | 按2X+U响应 | 7 |
| m处受控直接效应 | 两边固定同一m | 1 |
| 两目标之差 | 允许机制与阻断机制 | 6 |
七与一回答不同干预问题。若本来要总效应却控制M，就阻断了真实设定路径，不能把删掉的六叫“混杂修正”。简单拆分依赖加性无交互结构，不是所有中介问题的通用恒等式。
结构推导、识别和估计分开
结构计算说明假如方程及误差假设正确，会推出什么。识别则问能否从实际观测分布恢复这些因果量。简单无混杂例仍要求相关X与M干预的一致性、正值性和交换性，并满足相应模型条件。
随机化X没有同时随机化M，处理中介与结果的共同原因仍可能存在。时间先后也不证明没有这种原因。应列出哪些基线变量、设计特征及实质证据支撑识别，而不能用“发生在处理后”代替完整论证。
最后才是估计方法。在主例独立性和线性形式正确时，回归可以在总体中恢复相应系数，有限样本另有误差。程序给出接近一的数字，不等于检验过让它成为受控直接效应的所有因果前提。
未测共同原因可使调整系数反号
另设边界：保留M=2X+U，把结果方程改成Y=3M+X+2U+V，X仍随机且独立于误差。现在U同时影响M与Y。联合干预固定M时，X的受控直接效应仍为1，因为2U不随这项干预改变。
但从M方程得到U=M−2X，代入结果式变成Y=5M−3X+V。因此在本例观察分布中，Y对X和M的总体回归会给X系数−3，真实设定的受控效应却是+1。若让M自然响应，代入得到Y=7X+5U+V，总效应仍为7。
这说明随机X加上测得中介，仍不足以使调整后X系数成为直接效应。该结构下控制M还使X与未测U发生条件关联，更精确估出−3也不能修复错误因果标签。
反例不声称真实数据一定有这样一个U，而是说明必须单独处理中介结果混杂，不能因为处理随机化或控制很多列，就默认它不存在。若有相关基线共同原因，应在识别方案中说明怎样取得与处理。
交互和自然效应改变路径账
再换一套结构：Y=3M+X+XM+V，M仍为2X+U且U均值零。固定M为m时，受控直接效应为1+m；m为零时等于1，m为2时等于3。让M自然响应，总效应则为9，不再是7。
所以目标要说明固定哪个中介水平。一个恒定直接系数或简单系数乘积，不能普遍描述中介作用。交互项不是可有可无的装饰，它会改变受控问题的答案。
自然直接效应则把每个个体的M设成它在某个参考X下本来会有的值，不是所有人统一设m。主例加性独立误差模型中数值可以重合，但定义及识别要求没有因此相同，不能混用自然、受控和调整后三个词。
建立可复核的调整记录
| 检查 | 保留输入 | 未解决时处理 |
|---|---|---|
| 明确目标 | 总或受控效应、对比、中介水平 | 不泛称一个效果 |
| 固定时序 | 处理、中介、结果日期 | 基线原因与处理后变量分开 |
| 定义干预 | X及M可复现行动 | 暂缓含糊受控声明 |
| 论证识别 | 混杂、一致性、支持 | 明列剩余因果缺口 |
| 选择估计 | 函数形式、交互及精度 | 不自动升级拟合系数 |
| 报告路径 | 哪些允许、哪些阻断 | 说明调整回答哪个问题 |
中介缺失时，不能只在方便的完整个案中静默估直接效应。应追查缺失与X、M、Y的关系，以及如何改变研究人口。M的测量误差还可能使部分机制没有真正控制，同时加入额外偏差。
新测得共同原因、中介行动定义更明确、交互得到支持，或目标从总效应改为受控效应，都应触发更新。保留原问题及新版调整集，不能只留下最后一个模型。中介核验的目的，是让干预问题保持清楚，而不是奖励残差最小或系数最漂亮的回归。
若业务方真正关心的是实施措施后的总体质量变化，就应优先保留机制的自然响应；若关心在另一项强度行动固定时措施还有何作用，应明确那项联合行动。先让问题可实施，再挑估计工具，能避免把同一个词“控制”同时用于数学条件化和现实干预而造成误解。
直接是相对于指定中介而言
不经过M的受控效应，仍可能经过其他没有包括在M定义里的路径。如果M只衡量复核强度，剩余X→Y可能包含来源选择或复核者知识变化。“直接”不表示现实机制瞬间发生，也不证明所有中间过程都被固定。
应把中介定义、测量窗口和实施版本同估计一起保存。把M从一个分数扩为一组行动，就改变了联合干预，受控对比也可能改变。干预前的复核分数可能是基线调整变量，受X影响的后期同名分数却可能是中介，列名一样不等于因果角色一样。
发现测量日期冲突时，先核对真实发生顺序，再估系数。有的系统以录入时间覆盖实施时间，可能让处理后变量表面出现在基线。应保留原始日期、补录记录和转换规则，不能为了符合预期图而选择一种日期。
同时检查联合行动是否在目标人群可行。如果某些X下根本无法把M设到选定m，观察数据中的支持不足需要单独解释。结构方程仍可算出一个数，不代表数据在那个固定水平提供了真实比较；这与模型是否拟合得好是不同问题。
估计结果也应保留精度及人口范围。小样本中总效应与受控效应点值不同，不能仅靠两个数字相减就认证某个中介机制真实存在。机制声明需要相应识别证据，区间解释也应符合使用的估计程序，而不是把两套不相容模型的输出拼在一起。
最终可给每个报告量写一句干预解释，例如让措施改变且强度自然响应，或者两种措施下都实施同一强度行动。若无法写成清楚、可论证的比较，应先回到目标定义。这样可以保留有用关联分析，同时避免把它包装成尚未建立的因果直接效应。
常见问题
控制中介是否更适合估总效应？
通常不是。它阻断总效应中的路径，中介结果混杂时还可能引入额外偏差。
处理随机化是否让所有调整系数都成为因果？
不是。中介未必随机化，直接效应识别仍有自己的前提。