2.3 实验设计基础

本节目标

读完本节后，你能把因果问题翻译为处理、结果和观测单位，选择随机化与对照方案，识别混杂和干扰，预先规定分析集，并用效应量和不确定性报告实验结果。

2.3.1 实验设计回答什么问题

实验通过人为分配处理 (A)，比较同一目标总体中不同处理下的潜在结果。两组设计的平均处理效应可写为

A T E = E [Y (1) - Y (0)] .

观测到的每个人只有一个潜在结果，因此随机化用概率平衡未观测混杂，而不是让两个样本“看起来相同”。先定义处理版本、对照条件、主要结果、测量时间和估计目标；若只操纵了提示语，却把结论写成“改变了现实行为”，就超出了处理的边界。

2.3.2 随机化、对照与观测结构

个体随机化：每位被试独立分配到条件，适合没有明显溢出效应的研究。使用随机数生成器并保存分配种子或方案。
区组/分层随机化：按已知强预测变量（如性别、批次或基线分数）分层，再在层内随机，避免小样本偶然失衡。层变量必须在分配前测量。
集群随机化：班级、实验室或家庭整体分配；分析单位仍需反映集群相关性，样本量要考虑设计效应。
配对或重复测量：同一被试接受多个条件时，平衡顺序并记录携带效应；模型应包含被试内相关结构。

对照条件应匹配接触时间、任务负担和期望，只在理论处理上不同。等待名单、无处理和主动对照回答的是不同问题，不能互换。盲法无法实现时，至少让结果评分者和数据清理者对分组保持盲态，并记录破盲事件。

2.3.3 混杂、干扰与实施质量

混杂变量同时影响处理分配和结果；随机化降低其系统性差异，但小样本仍可能失衡。不要根据结果选择协变量：在设计阶段指定基线协变量，使用预先规定的回归调整提高精度。干扰是一个人的处理影响另一个人的结果，例如同一群组成员互相交流；此时个体 ATE 的解释不再成立，应改为集群或网络层面的估计目标。

实施检查包括：分配是否按方案执行、处理剂量是否达到、退出和缺失发生在何时、是否有不允许的共同干预。遵循意向性分析（按随机分组比较）可保持随机化解释；依从性效应或排除重大违规的分析应作为预先定义的敏感性分析，并同时报告分组人数。

2.3.4 因子设计与结果报告

当问题包含两个处理因素时，(2\times2) 因子设计可以同时估计主效应和交互作用。交互作用表示一个因素的处理效应随另一个因素水平改变；不能只看四个单元格的显著性而跳过交互项及其置信区间。连续结果报告均值差或回归系数、95% CI、样本量和缺失处理；二分类结果报告风险差、风险比或优势比。若结果有重复试次，说明试次层与被试层变量及随机效应，而不是把试次数当作独立样本量。

常见误用

随机化不等于盲法，也不保证样本代表总体；显著的基线差异不应成为事后删组理由。不要把“处理组显著、对照组不显著”当作组间差异证据，应直接检验组间对比。实验室中的短时操纵支持的是该处理、该样本和该时间点的因果结论，外推到现实行为需要额外证据。