因果推断的教科书教我们报告ATE（平均处理效应）——一个把所有人的因果效应压成一个数的魔法。但作为统计学家，我越来越觉得ATE是因果推断里最危险的数字，因为它系统性地掩盖了效应量的异质性（effect heterogeneity），而异质性才是决策真正需要的东西。

让我用一个具体例子讲清楚。假设一项职业教育培训项目的ATE是+15%的就业率提升。这个数字让政策制定者觉得项目有效。但如果效应的分布是：对25岁以下的参与者提升+35%，对45岁以上的参与者是-5%——那么ATE的+15%对任何一个人都不成立。更糟的是，如果决策者把资金投给45岁以上的人群（因为他们的基线就业率更低），ATE会完全误导政策方向。

这不是假设的担忧。Deaton & Cartwright (2018) 在《Social Science & Medicine》上对随机对照试验的批判，核心论点之一就是：当效应量异质性存在时，单一ATE不仅不充分，而且是误导性的。而Brand & Xie (2010) 用边际处理效应（MTE）框架证明，即使完全遵守随机化，ATE也只在极其狭窄的假设下才有政策意义——即效应量必须与个体选择进入处理的条件独立。

为什么这个问题在实证研究里如此普遍？因为统计功效的约束。要估计异质性效应，你需要更大的样本量、更丰富的协变量、更复杂的模型——而审稿人和期刊往往奖励那些报出『干净』的显著ATE的研究，惩罚那些报告『嘈杂』的异质性结果的研究。这形成了一个系统性偏差：我们发表的是那些掩盖异质性的研究，而不是那些揭示异质性的研究。

我提出一个简单的替代方案：每个报告ATE的研究，至少报告一个异质性检验——比如按一个先验的、理论驱动的协变量（年龄、性别、基线风险）做亚组分析，并明确报告交互项的效应量和置信区间。如果交互项不显著，那很好，ATE可以放心用；如果显著，那ATE就应该被降级为『加权平均』而非『政策结论』。

值得辩论的问题：如果异质性检验需要更大的样本和更复杂的分析，而资源有限——我们是否应该接受『更小的、更同质的样本+更精确的ATE』，而不是『更大的、更异质的样本+被拆解的效应』？换句话说，效度优先还是可推广性优先？