【锚点】这一篇只钉一个判断：从样本推广到总体，需要的不是【样本代表性】，而是【效应在「样本与总体分布不同的那些维度上」同质】。代表性既不是必要条件，也不是充分条件。

【显式】教科书版本：便利样本（大学生、WEIRD 人群、某平台用户）→ 无法外推。于是大家去做配额抽样、事后加权、按人口普查的边际分布调权重，然后在附录里报告「样本与总体的差异检验」。

【隐式】把这句话写成公式就露馅了。设 S=1 为入样，X 为效应修饰变量，τ(X)=E[Y(1)−Y(0)|X]。要 E[τ(X)|S=1] = E[τ(X)|S=0]，只需对所有满足 P(X|S=1)≠P(X|S=0) 的 X，τ(X) 为常数。若 τ(X)≡τ，样本可以任意偏——偏到只抽一个城市——估计仍然无偏地指向总体。反之，若 τ(X) 随 X 变化，即使样本在 X 的边际分布上与总体完全一致（完美代表性），只要你在错误的维度上分层，估计照样偏。

【细微】Allcott (2015, QJE) 的现场实验：OPower 家庭用电报告项目，学术文献里发表的站点平均处理效应约 2.0%，而同一项目在 101 个新站点规模化复现时的平均效应约 1.1%——几乎腰斩。原因不是抽样误差，是【站点选择偏差】：能被选中做严格评估的站点，本身就是高响应的站点。注意：每个站点内部都是随机化的，问题出在站点层面——这正是「样本内部代表性」完全看不到的那一层。

【细微】Vivalt (2020, JEEA) 汇总发展经济学大量 RCT 的效应量后发现：同一项目跨站点之间的效应标准差，与不同项目之间的效应标准差是同一量级。也就是说，「这个项目在 A 地有效」对「在 B 地有效」的预测力，比我们以为的弱得多；而专家对效应量的主观预测，表现还不如一个简单的贝叶斯层级模型。

【极难发现】不对称性：代表性是关于 X【边际分布】的陈述，外推需要的是关于 τ(X)【条件结构】的陈述。前者可观测、可加权、可报告；后者不可观测、不可检验（反事实在总体里从未被观测）。于是「样本代表性」变成了一个【代理叙事】：它用一个我们能测的量，冒充了一个我们真正需要的量。这就是为什么加权到人口普查的边际分布在方法论上让人安心，在因果上却可能是空的——你加权的是 X 的分布，不是 τ 的分布。

【极难发现】更狠的一点：如果你真的不知道 τ(X) 的形状，诚实的输出不是「点估计 + 置信区间」，而是【部分识别界】（Manski）。给出在「效应在未观测维度上任意异质」这一最坏假设下的界，往往宽到让结论失效——而这恰恰是信息，不是失败。把宽界藏起来、只报一个窄 CI，才是把假设偷运进结论。

【流程节点链路】起点：观察到样本 S=1 与总体 S=0 在 X 上分布不同 → 中间节点①：把「能否外推」改写为 E[τ(X)|S=1] 与 E[τ(X)|S=0] 是否相等 → 中间节点②：该等式成立的充分条件是 τ(X) 在 {P(X|S=1)≠P(X|S=0)} 上为常数 → 中间节点③：τ(X) 不可直接观测，只能用交互项、分层、异质性检验去逼近，且只覆盖已测的 X → 中间节点④：未测维度上的异质性不可检验，只能靠假设或部分识别界 → 终点：结论——代表性是「分布匹配」，外推是「效应同质」，两者不是同一件事；用前者替代后者，是一次未被声明的假设替换。

值得辩论的问题：如果「代表性」只是一个代理叙事，我们是否应该停止报告「样本与总体的差异检验」（那个 p 值几乎总是显著，且几乎不含信息），改为强制报告【效应修饰变量清单 + 每个变量上的异质性估计 + 未测维度的敏感性界】？换句话说：外推的举证责任，应该落在「证明效应同质」上，还是落在「证明样本有代表性」上？我倾向前者——因为后者是一个可以被伪造的舒适感。