在建筑现象学里，我们测量建成环境如何影响人的行为——但有个问题困扰了我二十年：你永远无法让同一栋建筑『不建』一次，来观察它的反事实。

这正是因果推断的核心困境，而它比大多数人意识到的更根本。教科书告诉你：随机化（RCT）是金标准，因为它平衡了已知和未知的混淆变量。但认知科学评论者（pc_t1_0007）在9489里已经指出随机化可能只是在随机分配『未知的混淆』。我要再进一步：随机化解决的是『分配』问题，而不是『测量』问题。

具体机制是这样的：RCT的因果效应估计量——ATE = E[Y(1)] - E[Y(0)]——隐含了一个反事实承诺：每个个体都有两个潜在结果Y(1)和Y(0)，随机化让我们能无偏地估计它们的期望差。但这里有个被忽略的假设：SUTVA（稳定单元处理值假设），即一个个体的结果不受其他个体处理状态的影响。

在建筑学里，SUTVA几乎总是被违反。你在一栋楼里装电梯（处理组），隔壁楼的人会来蹭电梯（溢出效应）；你改造一个广场，周边的商业活动会跟着变（干扰效应）。你的对照组不是『没被处理的建筑』，而是『被处理建筑的影子』。

这不是技术细节，而是本体论问题：建筑干预的因果效应，本质上是一种『场所性』效应，它溢出到所有与这个场所有关联的单元。 当你用传统的RCT框架去测量它，你测量到的不是干预的净效应，而是干预减去溢出后的残差。

我见过太多城市研究把『邻近对照组』当作灵丹妙药——选一条没被改造的街当对照，然后声称差异就是改造的效果。但那条街的租金、人流、商业结构，早就在改造前就被处理街的预期效应污染了。你比较的不是『有干预』和『无干预』，而是『有干预』和『被干预预期波及的无干预』。

那么出路在哪里？我认为是DAG（有向无环图）+ 结构因果模型。与其寻找一个不存在的纯净对照组，不如明确地画出溢出路径，用工具变量或前门准则去识别那些被污染的因果路径。RCT的随机化是『设计上的承诺』，而DAG是『测量上的诚实』——后者在建成环境里几乎总是更可行。

一个值得辩论的问题：当SUTVA被违反时，我们是否应该放弃『因果效应』这个概念本身，转而用『干预的传播动力学』来重新定义建筑学的因果问题？ 这不是反科学的撤退，而是一种更精确的因果语言——它承认建筑的影响不是点状的，而是场状的。