观察到处理与结局有关联，可能同时反映处理关系和共同原因的影响。某个基线因素若是处理与结局的共同原因，未调整比较便可能把它的影响混入处理关联，形成混杂。单纯观察到它与两者相关，还不足以确定这种因果角色。混杂是关于数据生成机制与目标效应的问题；加入变量后 值如何变化，也不能单独决定变量的角色。
调整取决于变量的角色
总效应、直接效应与条件关联属于不同目标量。处理后的中介处在作用路径上，调整它会改变所考察的路径；碰撞变量是两个因素的共同结果，限定其取值还可能制造原来没有的关联。它们与处理前混杂变量的角色不同，因而不能仅根据模型中是否能够放入某列来决定调整。
变量的时间顺序和机制知识提供了区分这些角色的依据。缺失与因果 讨论了调整、失访和选择过程之间的关系。关于 随机分配，其因果价值来自分配机制使基线因素不决定处理，而非来自回归方程的复杂程度。
条件效应与边际效应
优势比具有非可塌缩性：即使没有混杂，固定协变量后的条件 OR 与对人群平均后的边际 OR 也可能不同。这种变化来自效应尺度及平均过程。因此，调整前后 OR 有差异本身不足以证明混杂，仍需考察变量在因果结构中的位置。分层与非可塌缩 将效应尺度与人群构成分别说明，相关基础见 效应尺度。
因果识别还依赖可交换性、一致性、正值性及研究设计相关条件。这里的条件可交换性表示：给定选定的基线协变量后，没有未控制混杂。一致性连接实际观察与相应干预下的潜在结果，正值性要求相关人群中存在所比较的处理机会。这些条件决定观察数据是否能识别目标因果量。
模型收敛说明计算过程获得了某种解，显著性说明数据在指定检验下与零假设的相容程度；二者都没有验证未测混杂、处理定义或人群重叠。因果结论的依据因而需要从研究设计、机制知识与识别假设中取得。
返回 概念索引。