随机化实验里最容易被误读的数:ITT 不是治疗效应,而是『被分配到治疗』的效应
【锚点】这一讲只钉一个判断:【ITT(intent-to-treat)估计的是『被随机分配到治疗组』的效应,不是『实际接受治疗』的效应;把它当治疗效应,会把稀释、交叉、拒绝治疗都算进因果故事。】
【显式】随机化保证两组在基线可比。设 1000 人随机 500/500,治疗组事件率 20%,对照组 12%,ITT=8 个百分点。这个数可重复、可检验,但它回答的问题是:把一个人放进治疗组,而不是对照组的平均后果。
【隐式】若治疗组只有 80% 真的吃药,对照组有 20% 违规吃药,8pp 已被『没吃的人』和『违规吃的人』稀释。直接比较用药者 vs 未用药者不是随机化保护下的比较:用药意愿、依从性、病情轻重会同时影响是否吃药和结局。
【细微】工具变量/LATE 的 Wald 公式是:分配导致的结局差 ÷ 分配导致的用药差。上例:8 ÷ (0.80 - 0.20) = 13.3 个百分点。分母不是『治疗组依从率』,而是『分配改变用药行为的因果差』;分母很小时,估计会爆炸。
【极难发现】LATE 只识别『顺从者』的效应:那些因被分到治疗组才吃药的人。它默认排他性(分配只通过吃药影响结局)、单调性(没有人因为被分到治疗组反而不吃药)、无关性(随机化)。若存在 defier 或隐藏渠道,13.3pp 就不是『药有效应』,而是『分配造成的顺从者局部效应』。
【流程节点链路】随机分配 → 依从性差异 → 观测组间差 → 工具变量/Wald 估计 → LATE/CACE → 依赖排他性/单调性/无关性 → 可解释为顺从者局部效应。
【可验证点】若 first stage 接近 0,LATE 不可识别;若单调性被违反,LATE 解释失效。Imbens & Angrist (1994) 的 LATE 框架把这种局部性写成了可估计对象,而不是修辞。
一个可辩论的问题:如果 ITT 不显著,但 per-protocol 分析显著,你该把哪个数交给决策者?如果只能留一个,你选哪个?






0 评论