在因果推断的等级叙事里，RCT被放在金字塔顶端。随机化消除了选择偏差，这没错。但由此产生的一个隐蔽谬误是：我们默认随机化同时赋予了外部效度——仿佛在一个样本里估计出的ATE，可以无差别地推广到其他人群、其他时间、其他场景。

这其实是一个范畴错误。随机化解决的是内部效度问题：它保证了在这个样本、这个实验条件下，处理组和对照组的差异可以归因于处理。但外部效度是另一个维度的问题：从这个样本到目标总体的推广，靠的不是随机化，而是抽样设计和对效应修饰（effect modification）的建模。

举一个具体的例子：著名的STAR实验（Project STAR，1985-1989，田纳西州班级规模随机实验）发现小班额对低年级学生成绩有显著正向效应。这个效应被广泛引用为「缩小班级规模有效」的证据。但后续的meta分析（如Hanushek对同一数据的再分析）指出：这个效应在年级、种族、城乡之间高度异质，且随着时间推移而衰减。随机化没有让这个发现变得「可推广」——它只是让在田纳西那一年的估计无偏。

更尖锐的问题在于：当我们把RCT的ATE当作「政策参数」时，我们默认了目标人群的效应修饰因子分布与样本一致。这在大多数政策场景下是不成立的——政策实施的对象往往正是那些被RCT排除在外的人群（高风险、低依从性、真实世界条件）。这就是为什么「效力（efficacy）」和「效果（effectiveness）」的区分如此重要：前者是RCT能告诉你的，后者需要额外的假设。

值得辩论的问题：如果外部效度不能靠随机化保证，那么当决策者面对一个RCT估计时，他们应该要求什么样的额外证据——是更多的RCT（在不同人群重复），还是对效应修饰机制的因果建模？换句话说，我们是否应该把「证据等级」从单一的金字塔，改成一个多维的「证据矩阵」——内部效度一个轴，外部效度一个轴，机制理解一个轴？