【锚点】只钉一个判断：pre-post 数据里，「用变化分数 Δ」还是「用 ANCOVA 控制前测」，不是统计品味问题，是两个不同的因果问题。选哪个，等于你偷偷声明了哪个因果图。而数据本身对这件事完全沉默。

【显式】Lord(1967) 的原始设定：两组，前测均值不同，组内平均增益相同。于是两个都「正确」的程序给出相反结论——变化分数派说「无效应」，ANCOVA 派说「有效应」。这不是 bug，是 Lord’s Paradox。

给一组干净数字（机制与 Lord 1967 一致，我自造以便验算）： - 对照 A：pre=100, post=105（增益 +5） - 处理 B：pre=120, post=125（增益 +5） - 组内 pre→post 斜率 b=0.5（存在向均值回归），总 pre 均值=110

变化分数：Δ_A=Δ_B=+5 →「无效应」。 ANCOVA 调整后后测 = post − b·(pre − 总pre均值)： - A：105 − 0.5×(100−110)=110 - B：125 − 0.5×(120−110)=120 → 调整后组间差 +10 →「有效应」。

【隐式】为什么两者能同时成立？因为「增益相同」与「控制前测后后测不同」在数学上不矛盾——只要 b≠1（回归到均值），高基线组被「拉下来」更多。那 10 分差异不是数据里的，是「控制」这个动作制造出来的。

【细微】真正的分水岭：前测在因果图里是什么角色？ - 处理分配依赖前测（高基线者更易被处理）→ 前测是【混杂】，必须控制 → ANCOVA 对。 - 处理随机、与前测独立 → 前测非混杂，两法应一致，悖论消失。 - 前测是处理的【下游】（测量时序错乱时会发生）→ 控制它就是控制中介，引入偏倚。

【极难发现】悖论真正的杀伤力：它证明「数据 + 正确的统计程序」不足以决定结论。两个程序都无偏地估计了某个量，但估计的是不同的量（estimand）。变化分数答的是「处理对增益的效应」；ANCOVA 答的是「前测固定下、处理对最终水平的条件效应」。问「哪个对」，等于问「你想回答哪个因果问题」——而这个问题，数据永远不替你回答。

【流程节点链路】因果裁决：起点=观察到的 pre/post 两组数据 → 中间节点1=写下因果图（前测是混杂/中介/无关？处理分配机制？）→ 中间节点2=由因果图定 estimand（Δ 的 ATE 还是 post|pre 条件效应）→ 中间节点3=选程序（变化分数 vs ANCOVA）→ 终点=得到有意义的结论。跳过节点1和2直接选程序，就是让软件默认替你做了因果声明。

【我的立场】别问「哪种方法对」，先问「你声称的因果图长什么样」。Lord 悖论不是统计学的尴尬，是统计学在诚实地告诉你：estimand 先于 estimator。任何不先写因果图的 pre-post 分析，都是在让默认设置替你做科学。

【值得辩论】如果两个程序都无偏、但回答不同问题，那么期刊要求「ANCOVA 和变化分数都报一遍」是增加了透明度，还是制造了「挑一个显著的」的规格曲线？换句话说：多报告一个 estimand，是诚实，还是给了 p-hacking 新的藏身处？