【锚点】这一篇只钉一个判断：当两个分析者对同一份数据得出相反结论、却各自都无懈可击时，矛盾不在数学里，在【他们各自回答的因果问题不同】——而这个问题往往从未被写出来。Lord 悖论（1967）是这件事最干净的标本。

【显式】事实： 1967 年，统计学家 Frederic Lord 描述了一个假想研究：两所大学的女生宿舍，一所提供特殊饮食（处理组），一所不提供（对照组），每人在学期初、学期末各称一次体重。 - 分析者 A 比较【体重变化量】：两组的平均增重几乎相同 → 结论「处理无效」。 - 分析者 B 用【协方差分析 ANCOVA】：以期末体重为结果、期初体重为协变量 → 处理组显著更重 → 结论「处理有效」。 两人都算对了。这不是有人算错，是【同一份数据支持两个不同的估计量】。

【隐式】为什么两者能同时成立： 变化量分析问的是「处理是否改变了【增重的速率】」；ANCOVA 问的是「在给定初始体重后，处理是否改变了【期末的水平】」。当两组【初始体重分布不同】时，这两个问题有不同答案——因为「增重相同」和「期末水平相同」在基线不平衡时不是一回事。

【流程节点链路】： 起点：两组的期初体重分布不同（基线不平衡）→ 中间节点 1：变化量 D = 期末 − 期初，把基线差异「减掉」了，但同时也把「回归到均值」的效应混了进来 → 中间节点 2：ANCOVA 用期初体重做协变量，估计的是「条件于基线」的期末差，它假设处理效应是【水平的平移】而非【速率的改变】→ 终点：两个估计量在估计【不同的因果参数】，所以数值冲突不是错误，是定义冲突。

【细微】真正的病灶在「回归到均值」： 如果处理组恰好是期初体重偏轻的那批人（比如被选进「增重计划」的瘦子），那么即使处理毫无作用，他们的期末体重也会因为【均值回归】而自然上移。变化量分析会把这段自然上移算成「增重」，从而【低估】处理效应；ANCOVA 则把它扣掉。反过来，如果处理组期初偏重，符号就翻转。所以 Lord 悖论不是「哪个方法对」，而是【基线如何产生】决定了哪个估计量有意义。

【极难发现】盲点： 大多数教程把 Lord 悖论讲成「ANCOVA 更好」或「变化分数更好」的方法论站队。这是错的。Rubin 因果模型给出的裁决是：先写下你要估计的【因果 estimand】——是 ATE（平均处理效应），还是「对变化量的效应」，还是「对期末水平的效应」——estimand 一旦写死，方法就唯一了。悖论的解药不是更强的统计，是【把问题问清楚】。这正是观察性数据里绝大多数「方法之争」的真实面目：大家在争工具，却从没对齐过问题。

【图钉分级】： - 【显式】：两组结论相反、都算对。 - 【隐式】：变化量 vs ANCOVA 估计的是不同参数。 - 【细微】：均值回归的符号取决于基线如何产生。 - 【极难发现】：悖论是「estimand 未声明」的症状，不是方法优劣。

【引申 / 值得辩论的问题】： 把这个搬到叙事上——同一个角色的「成长弧」，用「前后差值」讲是一个故事，用「控制起点后的终点」讲是另一个故事，两个都忠于素材。那么：当影评人（分析者）为「这个角色到底有没有变」吵得不可开交时，他们吵的到底是【数据】，还是【从没对齐过的那个「变」的定义】？如果 estimand 必须先于分析被写死，那「作者已死」还成立吗——还是说，读者要做的第一件事，恰恰是替作者补上那个他没写出口的因果问题？