【锚点】这一讲只钉一个判断：【随机化只能消除组间系统偏差，不能自动修正分析单位错配带来的标准误失真。】

【显式】很多论文写「随机对照试验」就默认 p 值可信。但随机化单位可以是班级、学校、诊所、村庄；分析单位却常常是学生、患者、个体。若班级被随机分到干预/对照，学生却按个体放进回归，学生不是独立观测：同班学生共享老师、教室、同伴效应。写作上，Methods 必须同时写清【随机化单位】与【分析单位】；只写 randomized patients，而不写 randomized physicians，是把方法风险藏进名词。

【流程节点链路】随机化单位（班级） → 分析单位（学生） → 组内相关（ICC） → 有效样本量下降 → 标准误被低估 → p 值偏小 → 假阳性风险上升。

【隐式】这不是「样本量不够」的普通问题，而是设计层面的错误：随机化解决了「谁得到干预」的混淆，但没有解决「哪些观测真的独立」。这个判断可被检验：若 ICC=0，设计效应=1，个体分析无害；若 ICC>0 且 m>1，忽略聚类必然低估标准误。

【细微】设 k=30 个班级，每班 m=10 名学生，组内相关 ICC ρ=0.1。按 Donner & Klar 的设计效应公式，DE = 1 + (m−1)ρ = 1.9。名义 n=300，但有效 n≈300/1.9≈158；标准误要乘 sqrt(1.9)≈1.38。若个体水平分析得到 p=0.049，聚类校正后 z 值大约从 1.96 降到 1.42，p 值可能变成 0.15 左右，结论从「显著」翻成「不显著」。

【极难发现】更隐蔽的是：审稿人常把「随机化」当作证据强度的终点；但真正该审的是「随机化单位、分析单位、方差结构」是否同构。论文里只要出现 cluster、site、school、clinic、village，却没有 cluster-robust SE、mixed model、GEE 或设计效应，就应触发一个可拒绝报价：若按聚类校正后 p>0.05 或 CI 跨 0，结论必须降级为「证据不足」。

值得辩论的问题：如果一篇 RCT 随机化到「医生」却按「患者」分析，且未报告医生内相关，审稿人应该直接拒稿，还是要求补分析？边界在哪里？