5.3 现场实验

本节目标

读完本节后，你能界定现场实验的处理、随机化单位和目标总体，规划集群分配与干扰，记录不依从和流失，并用绝对效应、置信区间和实施证据报告结果。

5.3.1 什么使研究成为现场实验

现场实验在学校、社区、组织、平台或公共服务等自然环境中，由研究者随机分配处理。它既利用随机化识别处理对比，又保留真实参与者、任务或实施环境。研究发生在“现场”本身不产生因果识别：若研究者只观察自然暴露，仍是观察性研究。

现场实验通常更接近实际决策，却牺牲部分控制。政策变化、人员执行、跨组交流、缺失记录和组织约束都可能改变处理。因而方案需要同时定义：

要素	示例问题
目标总体	结论要推广到哪些学校、员工、用户或地区？
处理版本	谁在何时实际收到什么？对照条件会接触什么？
随机化单位	人、家庭、班级、门店还是社区？
主要结果	行政记录、行为或自报；观察窗口多长？
估计目标	分配处理的平均效应，还是实际接受处理者的效应？
干扰范围	一人的处理是否会影响同伴、家庭或邻近地区？

随机化单位、处理传递单位、观测单位和分析单位可能不同，必须逐一写清。例如按班级分配信息课程、向学生实施、按学生记录结果时，学生结果嵌套在班级内，不能按独立个人实验分析。

5.3.2 从合作现场到可审计方案

现场合作方常希望边做边改。研究者应在启动前把不可随意改变的核心和允许适应的部分分开。

现场启动七步

与合作方定义主要问题、处理版本、对照和可接受的运营边界。
确认伦理审查、知情同意或获准的替代程序、数据权限与风险响应。
建立符合条件单位名册，冻结随机化前的纳入标准和基线变量。
选择个体或集群随机化、分层/配对因素，并生成可复核的分配记录。
预注册主要结果、观察窗口、分析模型、停止规则和偏离处理。
小范围演练招募、传递、记录、退出和数据合并，不检验正式效应。
启动后持续记录覆盖、剂量、污染、共同干预、流失和现场事件。

不要让执行人员根据参与者表现自行选择“更需要处理”的人。若业务必须分批上线，可在符合条件单位中随机安排上线顺序，形成阶梯式设计；其分析需要同时考虑时间趋势和集群相关，不能简单比较早晚两批。

5.3.3 集群随机化、干扰与污染

当同一班级、团队或社区成员会共享处理，常需按集群随机化。集群设计的有效信息不仅由总人数决定，还取决于集群数、群内人数和组内相关。设计效应的简单近似与上取整示例见 2.4 取样与功效分析；群大小不等、集群很少或结果非连续时，应使用与主要模型一致的仿真。

干扰指一个单位的处理改变另一个单位的结果。常见形式包括同伴转发、教师同时影响多个班级、服务点之间人员流动和地理扩散。处理组信息进入对照组称为污染，它通常会改变估计效应，而不只是“增加噪声”。

处理方向包括：

把随机化层级提高到预计不会频繁相互影响的集群；
在设计中随机化“覆盖比例”，直接估计直接效应和溢出效应；
预先定义邻接、群组或距离范围，并记录跨组接触；
对无法避免的干扰，把结论限定为当前分配策略的效应，不宣称无干扰下的个人效应。

事后只删除被污染单位会破坏随机分配。若主要分析假定无干扰，应同时报告干扰证据，并以预先规定的暴露模型做敏感性分析。

5.3.4 不依从、缺失与实施质量

分配到处理与实际接受处理需要分别记录。处理组有人未参加、对照组有人自行获得服务时，主要分析通常按最初随机分配比较，即意向性分析。它估计“实施这项分配策略”的效应，并保留随机化基础。

只比较真正接受处理者与未接受者会重新引入自我选择。若要估计依从者效应，可把随机分配作为工具变量，但需要排除限制、单调性等额外假设，并应与意向性结果同时报告；不能把这种估计泛化为所有人的处理效应。

现场流失还可能发生在不同层级：整个学校退出、个体不再参与、行政数据匹配失败或结果只对一部分人可见。应按分组报告每一步人数与原因，比较缺失发生的时间和可观测特征，并进行与合理缺失机制相符的敏感性分析。用“只分析完整案例”不能自动解决差异流失。

实施监测至少包括：

触达：符合条件者中多少收到或看到处理；
剂量：收到几次、持续多久、执行到什么程度；
忠实度：实际做法是否符合处理手册；
污染与共同干预：对照组接触处理，或现场同期发生其他变化；
异常事件：系统故障、政策变化、人员替换、投诉与安全问题。

这些指标帮助解释处理为何有效或无效，但不应按处理后的实施指标随意筛选主要样本。

5.3.5 分析、诊断与效应表达

分析必须尊重随机化方式。分层随机化应在模型中保留分层因素；集群随机化需在集群层反映依赖。集群数很少时，常规“聚类稳健标准误”的大样本近似可能不可靠，应采用适合小集群数的方法、随机化推断或集群层分析，并清楚报告依据。

优先报告读者能用于决策的绝对效应：

连续结果：原始量尺均值差及 95% CI，可补充标准化差异；
二分类结果：处理组与对照组比例、风险差及 95% CI，可补充风险比；
计数或发生率：明确人时或观察窗口，报告率差和率比；
成本或实施结果：把效果与实际资源投入并列，不用显著性代替实际价值。

诊断不是检验“随机化是否成功”，而是检查实施和模型：分配人数、基线覆盖、结果分布、极端集群、时间趋势、组间流失、污染和标准误对不同合理模型是否敏感。异质性分析应预先指定调节变量和交互；分组后分别看显著性不能证明效应不同。

常见误用

以个人总数计算功效和标准误，却按班级或机构分配处理；
删除不依从者、被污染者或“执行不标准”的现场后仍声称随机试验效应；
只报告相对变化，不给基线风险与绝对差异；
把一次地点和时期中的平均效应外推到所有组织或人群；
现场结果不显著就断言政策无效，而不检查区间、实施强度和识别边界。

5.3.6 报告与外推

报告应给出招募、符合条件、随机分配、接受处理、取得结果和进入分析的流程，并同时报告集群数与个人数。公开随机化代码、处理手册、结果定义、数据合并规则、偏离日志和分析代码；受隐私或合作协议限制时，提供变量字典、模拟数据和受控访问说明。

外推需要比较研究样本与目标总体、现场实施与未来实施、结果窗口与政策时间尺度。随机化支持当前试验内的处理对比，却不会自动证明其他地区、执行者或处理版本同样有效。解释时把证据分成三层：试验中的平均效应、观察到的实施过程、向新环境推广所需的额外假设。

集群试验可对照 CONSORT 扩展核查报告项目；伦理和数据治理见 2.6 研究伦理，偏离记录见 2.5 预注册与开放科学。

资源与工具

📋

CONSORT Cluster Extension

5.3 现场实验 ​

5.3.1 什么使研究成为现场实验 ​

5.3.2 从合作现场到可审计方案 ​

现场启动七步

5.3.3 集群随机化、干扰与污染 ​

5.3.4 不依从、缺失与实施质量 ​

5.3.5 分析、诊断与效应表达 ​

5.3.6 报告与外推 ​

资源与工具 ​

延伸阅读 ​