对撞因子（英语：Collider），有时又称为反向分叉（英语：inverted forks），在统计学和图模式中，是指同时被两个以上的变数影响的变数，而这些影响对撞因子的变数之间不见得有因果关系。因为在环路图上会显示为有两个以上箭头指入的节点，所以称为对撞因子。
对撞因子不会直接造成影响它的变数之间出现相关，以路径分析（英语：path analysis）或环路图的术语来说，对撞因子会“阻断”两个变数间的路径。然而，想要了解变数间的因果关系时，对撞因子非常重要，因为在设计实验、挑选样本或统计分析时，如果有意或无意间控制了对撞因子，会造成自变数（X）和应变数（Y）之间出现没有实际因果关系的伪关系，称为选择偏误（英语：selection bias）或柏克森悖论（英语：Berkson's paradox），如果控制对撞因子后造成相反的相关性，称为辛普森悖论。用环路图的术语来说，控制对撞因子会“开启” X 和 Y 之间的路径，而造成偏误。
对撞因子有时会和其他因子混淆。
干扰因子同时影响自变数和应变数，在环路图上显示为分叉向外的箭头。干扰因子应该要控制。
中介变项受自变数影响，并影响应变数，在环路图上箭头一进一出。如果要研究的问题是“X是否会影响Y”，则不应控制。如果研究的问题是“X是否能够直接影响Y”，则需要控制。
在二次世界大战期间，沃德·亚伯拉罕发现盟军飞回来的飞机中，机翼上有最多弹痕，机尾和引擎最少。他提议补强最少弹痕的地方，而不是中弹最多的地方。因为这些飞机可以飞回来，表示中弹的位置不重要，其他位置中弹的飞机都没能飞回来，所以才没有观察到那些位置中弹。“有弹痕的位置”和“重要的位置”是两个变因，“是否被击落”是对撞因子，因为“没被击落”的条件已经自动被控制了，所以变因之间出现负相关。这种现象称作幸存者偏差，在临床医学研究中是重要的偏误：如果只看在医院里的病人、或是没死的病人，容易得出错误的结论。
再以篮球为例，如果只看 NBA 球员，会发现身高比较高的人得分率没有比较高。这是因为身高矮还能进 NBA 的人必然是用其他优势补足了身高的弱势。“身高”为自变数，“篮球得分率”为应变数，“是 NBA 球员”是对撞因子。
其他可能的例子：
