一句话定义
混杂变量是同时影响两个被研究变量的第三因素，它会让我们误以为两者之间存在直接因果关系。
机制 / 原理
当 A 和 B 一起变化时，人很容易说 A 导致 B。混杂变量提醒我们先问：是否存在 C 同时影响 A 和 B？如果有，原本看起来像因果的关系可能只是共同原因造成的。混杂变量是因果推理里的隐形岔路口。研究者可以通过随机分配、控制变量、匹配样本或统计调整来减少混杂，但前提是先想到哪些第三因素可能存在。
经典实验 / 例子
如果研究发现补课时间和成绩正相关，不能立刻说补课导致成绩提高。家庭收入、父母教育程度、学习资源和学生原本动机，都可能同时影响补课机会和成绩表现。这些因素就是潜在混杂变量。
生活中的例子
喝咖啡的人工作效率更高，可能不是咖啡本身造成的，也可能是他们睡眠少、工作节奏快、职业类型不同。混杂变量让你先别急着下因果结论。
常见误区
常见误区是以为“我已经看到两个变量一起变化”就足够证明因果。真正的因果判断必须处理可能的第三变量。