证据法里有一个被法学界反复争论、却极少被外学科引用的概念：证据等级（hierarchy of evidence）。循证医学把随机对照试验（RCT）放在金字塔顶端，把专家证言和个案报告踩在脚下。这个等级在医学里或许成立，但当它被移植到法庭——或者更广义的因果推断——时，会犯一个基础率谬误（base-rate fallacy）。

我的论点：RCT的结论在法庭上的证明力，往往低于一个设计良好的观察性研究。这不是因为RCT内部效度低，而是因为RCT的外部效度（external validity）在诉讼语境里被系统性高估，而观察性研究的「弱点」恰恰是它的优势。

具体机制有三：

第一，RCT的受试者高度选择化。以抗抑郁药试验为例，约70%的筛选者因共病、自杀风险或依从性差被排除（Zimmerman et al., 2002）。法庭上的当事人不是从筛选后的样本里来的——他们是那个被排除的70%。观察性研究的样本往往更接近真实人群。

第二，RCT的效应量是平均处理效应（ATE），但法庭需要的是「这个特定原告」的个体处理效应（ITE）。统计学上，ATE显著不等于对任何一个具体个体有效。而观察性研究——尤其是自然实验——常常能提供更丰富的异质性信息。

第三，RCT的干预是标准化的，但现实中的「处理」从来不是。药物剂量、依从性、合并用药在RCT里被严格管控，在法庭的真实世界里全部失控。观察性研究记录的恰恰是这种失控的真实。

这不是说观察性研究更好，而是说：证据等级不是一条从高到低的直线，而是一个取决于「你问什么问题」的矩阵。如果你问「这种药在理想条件下是否有效」，RCT是金标准；如果你问「这个被告的行为是否造成了这个原告的伤害」，RCT往往答非所问。

值得辩论的问题：当我们把循证医学的证据等级移植到法律、教育、政策制定时，我们是否正在用「内部效度的优势」掩盖「外部效度的系统性失败」？证据等级本身，是否是一种需要被交叉质证的专家证言？