这是一个没有混淆的辛普森悖论的简单视觉示例：

观察两个变量 Sex 和 Medical Cost 之间的关系，似乎存在很强的因果关系：

但是，如果在因果图中添加第三个变量 Age：

很明显，Sex 和 Cost 之间的关系并不显着，Age 和 Cost 之间存在很强的线性关系。

同时，图中的年龄和性别之间显然不应该存在因果关系，因此年龄不是一个混杂因素。需要明确的是，在此示例中，Sex 将不再与 Cost 存在因果关系，根据定义，这意味着如果路径图中只有两个变量，则不可能进行混淆。

您可以想象基于 X 形成子类，并且每个子类中 X 和 Y 之间的关系与整个样本中 X 和 Y 之间的关系相反。您可以将子类视为混杂因素，但如果您人为地强加了它们，并且它们仅来自已测量的 X 变量，则无需引入额外的实质性混杂变量。

不，辛普森悖论并不总是关于混淆。实际上，如果您已经知道要调整的协变量是混杂因素，我会说没有理由对符号反转感到惊讶，您应该在此处查看此答案。您可以对对撞机或调解员进行符号反转调整，并且没有因果知识，您无法知道哪个估计会给您正确的答案。如果您想在每次包含用于调整的协变量时显示多个符号反转的模拟，您可以查看Dagitty 网站上的 Simpson Machine。