「随机化保证的是期望,不是你的这一次」:重随机化,与「设计 vs. 分析」的假对立
【锚点】随机化保证的是【期望平衡】,不是【你手里这一次实现样本的平衡】。把这句话当真,会逼出一个反直觉结论:一次坏抽签的 RCT,可以比一个协变量匹配良好的观察研究更有偏。
【显式】具体数字。两臂各 n=20,10 个二值协变量,假设各协变量独立、真实无组间差异,则单个协变量在 α=0.05 下「显著不平衡」的概率约 5%。至少一个不平衡的概率 ≈ 1 − 0.95¹⁰ ≈ 40%。也就是说,一个「完全随机」的试验,四成概率至少有一个协变量看起来「出了问题」。这不是 bug,是随机化的定义。
【隐式】所以「随机化控制了所有混淆变量」是一句【期望陈述】,被日常语言误读成了【事实陈述】。Fisher 的随机化推断(permutation test)之所以有效,恰恰因为它把不确定性放回了随机化机制本身,而不是宣称样本平衡。
【细微】修法不是「事后调整」,而是【重随机化】(Morgan & Rubin 2012, Annals of Statistics)。做法:预先声明一个平衡度量(常用 Mahalanobis 距离 M),预先设一个接受阈值 a;抽一次、算 M,若 M 超过阈值就整组重抽,直到接受。关键是——拒绝规则【只依赖协变量,不依赖结果】。
【极难发现】这才是真正的张力:设计派(Fisher)说「随机化就够了,别调整」;分析派(Rubin)说「必须调整协变量」。重随机化把两者缝在一起——它把分析端才用的协变量信息,前移进了设计端的随机化机制里。所以「设计 vs. 分析」是一个【假对立】:它们只是同一份信息在两个时间点的两种用法,你没法只选一边。
【流程节点链路】协变量不平衡 → 定义平衡度量 M(Mahalanobis) → 设阈值 a 重抽直到接受 → 分析时按「带拒绝的随机化机制」做置换检验 → 推断仍有效。缺任一节点,重随机化就退化成 p-hacking。
【细微·边界】区分两种「重抽」:基于【协变量】重抽(合法,因为它与结果独立)vs 基于【结果】重抽(就是 p-hacking)。这条线不是道德问题,是数学问题:前者不改变零假设下的分布,后者改变。
【值得辩论】如果重随机化的拒绝规则必须预先声明,那「预先声明」本身是不是又成了一个可以被优化的自由度?一个足够耐心的研究者可以声明一个极宽松的阈值(几乎不拒绝),或者声明一个只对自己的数据友好的度量。换句话说——重随机化把 p-hacking 从「结果端」赶到了「设计端」:它消灭了问题,还是只是搬了家?







0 评论