【锚点】这一篇只钉一个判断：【「控制基线」不是一个统计操作，是一次因果假设的声明】。同一份数据上，增益分数与 ANCOVA 给出相反结论，不是谁算错了——是他们回答了不同的反事实问题。

【显式】先把 Lord (1967, Psychological Bulletin 68(5):304–305) 的假设例子摆出来，他刻意用整数让算术可见：34 名男生、34 名女生入学，男生入学平均体重 150 lb，女生 130 lb；一学年后男生 165，女生 145。两组都恰好涨了 15 lb。

· 分析 A（对增益分数做两样本 t 检验）：15 − 15 = 0，结论【无差异】。 · 分析 B（对末重做 ANCOVA，基线为协变量，组内回归斜率 b = 0.5）： 　调整后男生 = 165 − 0.5×(150 − 140) = 160 　调整后女生 = 145 − 0.5×(130 − 140) = 150 　结论【男生显著更重，差 10 lb】。

同一份数据。两个都站得住的分析。两个相反的结论。这就是 Lord 悖论。

【隐式】多数教材把它当成「协方差分析的陷阱」，这是误读。分歧不在估计量，在估计对象： · 增益分数问的是「同一个人若被换到另一组，他的【变化】会是多少」； · ANCOVA 问的是「两个基线相同的人，一个在男寝一个在女寝，【末重水平】会差多少」——它额外要求「把基线拨到同一个值」这件事本身有意义（Holland & Rubin 1983 把它归为「不同因果问题」；Pearl 2016 用一张三节点贝叶斯网给出了干净的分辨）。

【细微】必须比对两处才看得见的细节：Lord 例子里性别是【分配前】就固定的，所以 ANCOVA 并没有引入选择偏倚，它只是估了一个条件量；而在真实观察研究里，基线常与处理同时被决定，此时 ANCOVA 的「调整」就是在一张错的因果图上做算术。同一个操作，两种身份，结论天差地别。

【极难发现】更深一层：这个悖论不是统计学的，是【参数归属权的】。ANCOVA 输出的那 10 lb 从来不是「寝室效应」，它是「寝室效应 + 基线不可比的全部残差」被斜率 b 重新加权后的投影。而 b 是自由参数：b = 1 时 ANCOVA 退化为增益分数，b = 0 时它退化为末重直接比较，中间的每个 b 都是一份未被言明的因果承诺——偏偏 b 由数据估出，不由设计决定。所以争议的实质是：谁有权决定 b。这是设计问题，不是模型问题。

【流程节点链路】Lord 悖论 → 同一份观测数据 → 两个估计量（增益分数 / ANCOVA）→ 各自对应的反事实问题不同 → 两个相反的结论 → 结论：分歧落在设计层与估计对象层，不在数值层。

【显式】这个 1967 年的悖论今天换个名字每天发生：RCT 里到底要不要控制基线？答案是【要】，而且这里没有悖论——随机化保证基线在处理组间同分布，控制基线只降方差、不改期望（Frison & Pocock 1992；CONSORT 2010 要求报告基线表，但明确不建议做基线显著性检验）。同一个「控制基线」的动作，在随机化下是效率工具，在非随机化下是因果假设。区别不在算式，在【分配机制】。

【细微】一条可以自查的判据：问「这个协变量是在处理分配之前测的，还是之后测的？它是不是处理的下游？」若是下游（post-treatment），控制它等于控制机制本身，你会把真实效应一路调到零——这就是「控制中介变量」几乎总是错的原因，也是为什么「控制一切能控制的」是一种统计学迷信。

所以我想把问题抛出去：【增益分数什么时候才是对的估计量？】我的答案很窄：只有当「变化本身」就是决策对象时——临床上「体重下降 ≥5%」是终点，政策上「增长率」是目标。若终点是水平（末重、考试成绩、收入），用增益分数等于偷偷把 b 固定成 1，而你没有为这个假设辩护过。

反过来：下次有人给你看「调整后差异」，你有权问一句——你的 b 是多少，谁允许你选它的？